ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

Résumé Technique : ClinRAG-GRAPH

Énoncé du Problème
La prédiction précise de la réponse complète pathologique (pCR) à la chimiothérapie néoadjuvante (NAC) dans le cancer du sein avant le traitement est cruciale pour la stratification thérapeutique. Cependant, la prédiction robuste avant traitement reste un défi en raison de trois limitations principales des approches existantes : (1) une modélisation multimodale insuffisante, où les opérateurs de fusion simples ne parviennent pas à exploiter les dépendances structurées entre les données d'imagerie, cliniques et pathologiques ; (2) l'hétérogénéité de l'imagerie multicentrique, où les différences de scanners et de protocoles introduisent des biais spécifiques aux domaines qui entravent la généralisation inter-centres ; et (3) un manque d'interprétabilité fondée sur des preuves, car la plupart des modèles produisent des probabilités scalaires sans récupérer d'évidences basées sur des cas réels pour soutenir la prise de décision clinique.

Méthodologie : ClinRAG-GRAPH
Les auteurs proposent ClinRAG-GRAPH, un cadre de génération augmentée par récupération et de graphes (Clinically informed Retrieval-Augmented Generation Graph) conçu pour intégrer l'IRM dynamique (DCE-MRI), les variables cliniques structurées et les biomarqueurs pathologiques dérivés de la biopsie. L'architecture se compose de quatre composantes clés :

1. Construction de Graphe de Priorités Cliniques Sémantiques Hiérarchiques :
   Au lieu d'une connectivité homogène, le modèle construit un graphe dirigé intra-patient où les nœuds représentent les variables d'imagerie et les variables cliniques/pathologiques. Les arêtes sont classées en trois niveaux sémantiques basés sur les directives cliniques et le consensus des radiologues :

   • Prior fort (Strong prior) : Associations fixes à haute confiance (ex: couplages de biomarqueurs moléculaires).
   • Prior souple (Soft prior) : Relations cliniquement acceptées avec une variabilité inter-patients.
   • Prior apprenable (Learnable prior) : Relations incertaines initialisées avec un poids faible et apprises à partir des données.
     Ces priorités sont injectées sous forme de biais logarithmiques sur les logits d'attention uniquement lors de la première couche du graphe pour guider le flux d'information cross-modal précoce sans déstabiliser l'optimisation.

2. PRAttn-RGCN (Prior-guided Relational Attentional R-GCN) :
   Un réseau de convolution de graphes relationnel sensible aux relations (Relation-Aware Graph Convolutional Network) utilise le graphe construit pour fusionner les modalités hétérogènes. Il emploie des mécanismes d'attention spécifiques aux relations où la force du "prior" guide le passage de messages initial. Le modèle agrège les plongements de nœuds (embeddings) via un pooling moyen pour générer une représentation du patient pour la prédiction de la pCR.

3. Apprentissage Adversaire de Domaine :
   Pour traiter l'hétérogénéité de l'IRM multicentrique, une stratégie adversaire à double branche est employée. Une couche de renversement de gradient (GRL) connecte l'encodeur d'imagerie à un classificateur de domaine. Cela force la représentation d'imagerie à être discriminante pour la pCR tout en supprimant les indices spécifiques au scanner ou au protocole, améliorant ainsi l'invariance de domaine.

4. Module de RAG par Sous-graphe piloté par LLM :
   Pour améliorer l'interprétabilité et la robustesse face aux changements de distribution, le cadre incorpore un module de récupération par LLM (DeepSeek-V3.2). Lors de l'inférence, le système récupère des cas historiques cliniquement analogues basés sur les plongements de graphes et les signatures d'attention appris. L'évidence récupérée est fusionnée avec la prédiction du backbone pour fournir une inférence fondée sur des preuves. Le LLM génère également des explications post-hoc structurées et vérifiables basées sur les métadonnées de récupération et les indices des arêtes motrices (driver-edge cues).

Contributions Clés

• Construction de Graphe : L'introduction d'un graphe de priorités cliniques hiérarchique qui encode la connaissance médicale directement dans la structure des arêtes, évitant ainsi le besoin de contraintes de perte auxiliaires.
• Mécanisme de Robustesse : La conception d'un mécanisme d'attention relationnelle guidé par les priorités, combiné à l'apprentissage adversaire pour atténuer le biais de protocole d'imagerie multicentrique tout en préservant les caractéristiques pertinentes pour la tâche.
• Interprétabilité : L'intégration d'un module RAG par sous-graphe piloté par LLM qui récupère des cas similaires et fournit des raisonnements structurés fondés sur des preuves pour les prédictions, allant au-delà des sorties de probabilité scalaire.
• Validation : L'assemblage et l'évaluation d'une cohorte de cancer du sein sous NAC multicentrique à grande échelle comprenant deux ensembles de données publics et trois centres internes.

Résultats
Le modèle a été évalué sur des ensembles de test internes (agrégés de trois centres) et deux ensembles de test externes (Ycenter et Qcenter).

• Performance : ClinRAG-GRAPH a atteint une AUC de 0,815 (IC 95 % : 0,738–0,885) sur l'ensemble de test interne, surpassant les modèles de référence de l'état de l'art, notamment R-GCN (0,706), LMF (0,678) et iMRhpc (0,699).
• Généralisation : Sur les ensembles de test externes, le modèle a maintenu une performance robuste avec des AUC de 0,774 (Ycenter) et 0,712 (Qcenter). Notamment, il a obtenu la spécificité la plus élevée (0,946) sur Ycenter et la meilleure précision équilibrée (0,676) sur la cohorte difficile de Qcenter.
• Ablation : Les expériences ont confirmé que chaque composante contribue à la performance. Le graphe de priorité clinique a fourni le gain initial par rapport à un R-GCN standard, tandis que le découplage adversaire et le module RAG ont davantage amélioré la généralisation sur les domaines externes.
• Interprétabilité : L'analyse SHAP a démontré que le modèle capture des dépendances cross-modales cliniquement significatives (ex: ER, PR, HER2, Ki67, âge et caractéristiques IRM) qui varient selon les sous-types moléculaires, validant le raisonnement relationnel structuré.

Signification
L'article affirme que ClinRAG-GRAPH représente une avancée significative dans la prédiction de la pCR pré-traitement en abordant les défis spécifiques de l'intégration multimodale, du changement de domaine et de l'interprétabilité. En combinant des priorités cliniques structurées avec l'adaptation de domaine adversaire et la génération augmentée par récupération, le cadre démontre une performance compétitive et cohérente à travers divers centres. Les auteurs postulent que cette approche soutient les stratégies de traitement NAC individualisées, particulièrement pour l'escalade ou la désescalade précoce, en fournissant des prédictions qui sont non seulement précises mais aussi fondées sur des preuves cliniques récupérables. Le code est mis à disposition pour faciliter la recherche ultérieure dans ce domaine.