Résumé Technique : ProMUSE

Énoncé du Problème

Le diagnostic de la maladie d'Alzheimer (MA) repose de plus en plus sur des données multimodales, incluant des évaluations cliniques, l'imagerie par résonance magnétique (IRM) structurelle et la tomographie par émission de positons (TEP). Bien que la combinaison de ces modalités améliore la précision du diagnostic, l'acquisition des examens IRM et TEP est coûteuse (allant d'environ 558 à 910 $ pour l'IRM et d'environ 3 000 $ pour la TEP) et n'est pas universellement accessible. Les modèles de prédiction existants supposent généralement la disponibilité de toutes les modalités au moment de l'inférence, ceant implicitement l'utilisation d'imageries coûteuses pour chaque patient. Cette approche impose des charges financières et cliniques substantielles, négligeant les contraintes pratiques des contextes de soins réels où le coût et l'accessibilité sont des facteurs critiques. De plus, distinguer le trouble cognitif léger (TCL) des individus cognitivement normaux (CN) et de la MA déclarée est particulièrement difficile en raison des caractéristiques subtiles et hétérogènes du TCL.

Méthodologie

Les auteurs proposent ProMUSE (Progressive Multi-modal Uncertainty-guided Staged Evidential network), un cadre conçu pour déterminer de manière adaptative quand des modalités supplémentaires sont nécessaires, réduisant ainsi les coûts d'acquisition de données tout en maintenant la précision du diagnostic.

1. Représentation et Prétraitement des Données

• Données Cliniques : Traitées à l'aide d'un perceptron multicouche (MLP) avec quatre couches linéaires.
• Données IRM et TEP : Représentées sous forme de données structurées en graphes ($G = [E, X]$).
  • IRM : Les régions cérébrales sont segmentées via FreeSurfer pour extraire des caractéristiques radiomiques ($X_{MRI}$), avec des arêtes ($E$) définies par la proximité spatiale.
  • TEP : Utilise les mêmes coordonnées de nœuds que l'IRM pour la cohérence anatomique, mais dérive des caractéristiques de nœuds ($X_{PET}$) à partir du pipeline unifié PET (PUP), incluant les comptes de voxels et les rapports de valeurs de captation standardisée (SUVR).
  • Traitement : Les graphes IRM et TEP sont traités à l'aide d'une architecture de réseau de neurones sur graphes (GNN) composée de deux couches GraphSAGE suivies d'une couche linéaire entièrement connectée.

2. Quantification de l'Incertitude via la Logique Subjective

ProMUSE emploie un modèle de logique subjective basé sur la distribution de Dirichlet pour quantifier l'incertitude pour chaque modalité indépendamment :

• Modélisation de l'Évidence : Les logits de sortie de chaque modalité sont transformés en vecteurs d'évidence non négatifs à l'aide de la fonction d'activation Softplus.
• Paramétrage de Dirichlet : L'évidence est mappée vers des paramètres de Dirichlet ($d = e + 1$).
• Croyance et Incertitude : Le modèle calcule la masse de croyance ($B$) et le degré d'incertitude ($U$) pour chaque classe. L'incertitude est définie comme la masse de probabilité non assignée, reflétant l'absence d'évidence. Des données de haute qualité produisent une évidence plus élevée et une incertitude plus faible.

3. Fusion Multimodale via la Théorie de Dempster-Shafer (DST)

Pour surmonter les limites des entrées à modalité unique, ProMUSE fusionne les évidences de plusieurs modalités en utilisant la DST :

• Règle de Fusion : Les masses de croyance et les degrés d'incertitude de différentes modalités (par exemple, Clinique + IRM) sont combinés en utilisant la règle de combinaison DST.
• Gestion des Conflits : La fusion prend en compte le coefficient de conflit ($C$) entre les modalités. Un conflit élevé augmente l'incertitude, tandis qu'une évidence cohérente la réduit.
• Normalisation : Les masses de croyance fusionnées et l'incertitude sont normalisées pour assurer la cohérence probabiliste.

4. Stratégie d'Acquisition par Étapes

Le cadre fonctionne de manière progressive et par étapes :

1. Étape 1 (Clinique) : Le modèle analyse d'abord les données cliniques à faible coût. Si l'incertitude calculée est inférieure à un seuil appris ($\tau_1$), une prédiction finale est faite.
2. Étape 2 (Clinique + IRM) : Si l'incertitude dépasse $\tau_1$, une IRM est acquise et fusionnée avec les données cliniques. Si la nouvelle incertitude est inférieure à un second seuil ($\tau_2$), une prédiction est faite.
3. Étape 3 (Clinique + IRM + TEP) : Si l'incertitude dépasse toujours $\tau_2$, les données TEP sont ajoutées comme dernière modalité pour produire la prédiction.

• Sélection des Seuils : Les seuils optimaux ($\tau_1, \tau_2$) sont déterminés via une procédure de recherche par grille pilotée par les données afin de maximiser la précision sur les ensembles de validation.

5. Fonction de Perte

Le modèle est entraîné à l'aide d'une fonction de perte hybride :

• Entropie Croisée (Cross-Entropy) : Pour la supervision de classification standard.
• Perte Évidentielle : Basée sur la distribution de Dirichlet pour encourager une forte évidence pour les classes correctes.
• Régularisation par Divergence KL : Empêche le modèle d'augmenter arbitrairement l'évidence pour toutes les classes, avec un coefficient d'amortissement ($I_r$) pour contrôler la force de la régularisation pendant l'entraînement.

Contributions Clés

1. Cadre Économe en Coûts : ProMUSE introduit une stratégie d'acquisition par étapes qui priorise les données cliniques peu coûteuses, n'incorporant l'imagerie coûteuse (IRM/TEP) que lorsque l'incertitude est élevée.
2. Prise de Décision Guidée par l'Incertitude : En exploitant la logique subjective basée sur Dirichlet et la théorie de Dempster-Shafer, le cadre modélise et gère explicitement l'incertitude pour piloter la sélection des modalités.
3. Réduction des Ressources : L'approche réduit considérablement la dépendance aux ressources coûteuses sans compromettre la performance du diagnostic.
4. Évaluation Complète : Le cadre est validé sur trois ensembles de données indépendants (ADNI, AIBL, OASIS) et trois tâches de classification binaire (CN vs AD, CN vs MCI, MCI vs AD).

Résultats Expérimentaux

Les expériences ont été menées sur les ensembles de données ADNI, AIBL et OASIS. ProMUSE a été comparé à 16 modèles de référence (incluant KNN, SVM, RF et diverses architectures de deep learning).

• Précision (Accuracy) : ProMUSE a obtenu une précision compétitive ou supérieure par rapport aux modèles de référence à pleine modalité.
  • ADNI : 0,907 de précision (CN vs AD) et 0,810 (CN vs MCI).
  • AIBL : 0,945 de précision (CN vs AD) et 0,889 (CN vs MCI).
  • OASIS : 0,934 de précision (CN vs AD) et 0,990 (CN vs MCI).
  • Note : La performance sur la tâche MCI vs AD était généralement plus faible pour tous les modèles, y compris ProMUSE, reflétant la difficulté inhérente de cette classification.
• Économies de Coûts : La stratégie par étapes a réduit l'utilisation de l'IRM/TEP de 50 % à 90 %.
  • L'analyse des coûts estime une économie moyenne de 2 325 $à 3 558$ par patient, selon l'ensemble de données et la tâche.
  • Par exemple, dans la tâche CN vs AD de l'ADNI, 50 % des patients ont été diagnostiqués en utilisant uniquement les données cliniques, et 26,27 % n'ont nécessité que l'IRM + clinique, générant des économies significatives sur les coûts d'imagerie.
• Sensibilité des Seuils : L'analyse a montré que des seuils d'incertitude plus bas mènent à une utilisation plus élevée des modalités. Cependant, les auteurs notent qu'une incertitude plus faible ne garantit pas toujours une précision plus élevée, suggérant qu'un équilibre optimal est nécessaire.

Signification et Revendications

L'article affirme que ProMUSE offre une solution pratique, consciente de l'incertitude et efficiente en ressources pour le dépistage de la MA dans le monde réel. En déterminant de manière adaptative quand des modalités supplémentaires sont nécessaires, le cadre répond à la limitation critique des méthodes existantes qui supposent la disponibilité de toutes les modalités. Les résultats démontrent qu'une grande précision diagnostique peut être maintenue tout en réduisant drastiquement la charge financière de l'acquisition de données.

Les auteurs précisent que bien que les résultats soient prometteurs, le cadre n'a pas encore été validé sur des applications réelles impliquant de vrais patients humains dans un flux de travail clinique. Ils reconnaissent que des tests supplémentaires sont nécessaires pour appliquer le cadre dans la vie normale et suggèrent que les travaux futurs pourraient se concentrer sur la robustesse du degré d'incertitude grâce à des algorithmes additionnels.