Résumé Technique : Construction Causale Additive pour l'Apprentissage Transférable et Reconfigurable entre Systèmes Multiples dans la Fusion d'Images Multi-sources

1. Énoncé du Problème

Le papier traite du défi de la fusion d'images multi-sources dans des scénarios de distribution hors domaine (OOD), particulièrement en imagerie médicale. Le problème central réside dans le fait que des entrées hétérogènes (par exemple, des images provenant de différents centres, dispositifs ou régions anatomiques) sont régies par des mécanismes génératifs distincts. Les auteurs identifient deux modes de défaillance principaux dans les approches de fusion existantes :

• Discrépance Inter-Systèmes (CSD - Cross-System Discrepancy) : L'absence de référence causale unifiée à travers les systèmes rend l'alignement sémantique difficile, entraînant des représentations mal alignées.
• Enchevêtrement Inter-Systèmes (CSE - Cross-System Entanglement) : Le processus de fusion introduit souvent des dépendances instables et des voies causales fallacieuses dues à l'interférence entre les systèmes. Ces voies ne sont pas robustes aux changements de distribution, provoquant une dégradation significative des performances lorsque les modèles rencontrent des données provenant de domaines différents (par exemple, différents hôpitaux ou scanners).

Les méthodes existantes reposent généralement sur une modélisation conjointe au niveau observationnel avec des contraintes statiques, traitant les structures causales comme pré-définies et fixes. Elles échouent à modéliser explicitement l'évolution des structures causales ou les différences de mécanismes génératifs, ce qui les rend inadéquates pour gérer la nature dynamique de la CSD et de la CSE.

2. Méthodologie : Le Cadre ACC et ACC-CRL

Les auteurs proposent le cadre de Construction Causale Additive (ACC - Additive Causal Construction), qui reformule la fusion multi-sources non pas comme une simple agrégation de caractéristiques, mais comme un processus dynamique de construction d'une structure causale unifiée à partir de systèmes hétérogènes. Ce cadre est instancié sous la forme d'un modèle apprenable appelé ACC-CRL (Additive Causal Construction - Causal Representation Learning).

A. Les Principes du Cadre ACC

Le cadre repose sur deux piliers clés :

1. Transférabilité de la Structure Causale (CGT - Causal Graph Transferability) :

   • Objectif : Atténuer la CSD en établissant des « ancres » causales partagées entre les systèmes.
   • Mécanisme : Il définit une paire équivalente à une ancre comme des nœuds provenant de différents systèmes qui se rapportent à une référence de contenu causal abstrait partagé ($X$) et induisent des réponses interventionnelles cohérentes.
   • Exigences : Cela nécessite une comparabilité sémantique (correspondance à un espace de contenu commun) et une cohérence de la réponse interventionnelle (garantir que les interventions sur l'ancre partagée produisent des réponses en aval cohérentes à travers les systèmes).

2. Reconfigurabilité de la Structure Causale (CGR - Causal Graph Reconfigurability) :

   • Objectif : Supprimer la CSE en traitant la fusion comme une réorganisation topologique plutôt que comme une fusion statique.
   • Mécanisme : Il introduit l'incertitude structurelle pour évaluer la crédibilité des arêtes candidates entre les systèmes.
   • Processus : Les arêtes candidates sont sélectionnées, affaiblies ou supprimées en fonction de leur crédibilité (dérivée de la compatibilité des mécanismes et de la cohérence des réponses). Cela permet au système de réguler de manière adaptative le processus de fusion, préservant les relations causales stables tout en écartant les raccourcis instables.

B. L'Implémentation ACC-CRL

ACC-CRL réalise le cadre ACC dans un espace de représentation via trois composantes centrales :

1. CGT Apprenable (Désenchevêtrement Contenu-Mécanisme) :

   • Les observations sont décomposées en un contenu causal partagé ($X$) et des mécanismes spécifiques au système ($U$).
   • Apprentissage Contrastif : Une perte contrastive ($L_{con}$) aligne les échantillons sémantiquement correspondants de différents systèmes dans l'espace de contenu partagé.
   • Désenchevêtrement : Une contrainte de désenchevêtrement ($L_{dis}$, utilisant l'HSIC) empêche les informations de mécanisme de fuir dans le contenu partagé, garantissant que $X$ capture des sémantiques causales stables tandis que $U$ préserve l'hétérogénéité.
   • Alignement de Réponse : Des mappages de réponse bidirectionnels ($\Psi$) sont appris pour reconstruire la sortie d'un système en utilisant le contenu et les mécanismes de l'autre. L'erreur résiduelle ($e_{str}$) sert de signal de mésalignement structurel.

2. CGR Apprenable (Fusion Sensible à l'Incertitude) :

   • Estimation de l'Incertitude : Le modèle calcule une incertitude structurelle ($u_{str}$) basée sur les résidus d'alignement de réponse et une incertitude prédictive ($u_{unc}$) basée sur les représentations de mécanismes et les divergences de contenu.
   • Portage Adaptatif (Gating) : Un poids de confiance de fusion ($\gamma$) est dérivé de l'incertitude totale.
     • $\gamma$ élevé (faible incertitude) : Le modèle fusionne les représentations des deux systèmes.
     • $\gamma$ faible (incertitude élevée) : Le modèle supprime les informations inter-systèmes, revenant à une représentation conservatrice d'un système unique pour éviter les dépendances instables.
   • Reconfiguration Sensible aux Observations : Pour éviter la perte de détails visuels fins (ex: textures, contours) lors de l'abstraction latente, une branche de supplémentation par observation est ajoutée. La représentation finale équilibre dynamiquement la fusion causale latente et les caractéristiques d'observation brutes en fonction du poids de confiance $\gamma$.

3. Optimisation Conjointe :
   Le modèle est entraîné avec un objectif combiné incluant une perte supervisée, une perte contrastive, une perte de désenchevêtrement, une perte d'alignement de réponse et un régularisateur ($L_{uaf}$) qui pénalise les poids de fusion élevés lorsque le mésalignement structurel est sévère.

3. Contributions Clés

• Formulation Théorique : Le papier introduit le cadre ACC, conceptualisant la fusion multi-sources comme un processus dynamique de construction causale qui traite explicitement la CSD et la CSE via la CGT et la CGR.
• Instanciation Apprenable : Il propose ACC-CRL, une architecture pratique et entraînables de bout en bout qui implémente le désenchevêtrement des mécanismes, l'alignement de la cohérence interventionnelle et la régulation structurelle sensible à l'incertitude.
• Mécanisme Novateur : La méthode combine de manière unique la cohérence de la réponse interventionnelle (pour définir les ancres partagées) avec la modélisation de l'incertitude structurelle (pour réguler la fiabilité de la fusion), allant au-delà des contraintes observationnelles statiques.
• Supplémentation par Observation : Elle introduit un mécanisme pour équilibrer dynamiquement l'abstraction causale latente et les caractéristiques visuelles brutes, assurant la robustesse dans les tâches où les détails fins sont critiques.

4. Résultats Expérimentaux

Les auteurs valident la méthode sur deux jeux de données :

• Données Synthétiques (ColorMNIST) :

  • Configuration : Un environnement contrôlé avec un biais de modalité (couleur vs niveaux de gris) pour simuler les corrélations fallacieuses (CSE).
  • Résultats : ACC-CRL a considérablement réduit le biais directionnel et amélioré la généralisation OOD par rapport aux bases de référence (Concaténation, Intervention, etc.). Il a démontré sa capacité à supprimer les voies de raccourci et à apprendre des clusters stables et séparables dans l'espace de représentation.

• Imagerie Médicale Réelle (Prédiction de l'Invasion Microvasculaire - MVI) :

  • Configuration : Une tâche de prédiction inter-centres utilisant l'IRM en phase artérielle de deux hôpitaux (Hôpital Populaire Provincial du Sichuan et Hôpital Central de Huzhou). La tâche implique la fusion des régions intra-tumorales et péri-tumorales.
  • Résultats :
    • Généralisation OOD : ACC-CRL a maintenu des performances compétitives en distribution (ID) tout en surpassant significativement les bases de référence (MultiOOD, IRM, VREx, etc.) sur le test OOD externe.
    • Robustesse : La méthode a obtenu un meilleur compromis entre les performances ID et OOD (mesuré par le BACC), montant des écarts de généralisation plus faibles.
    • Études d'Ablation : Ont confirmé que l'alignement des mécanismes (CGT) améliore la stabilité de la représentation, tandis que la fusion sensible à l'incertitude (CGR) est cruciale pour supprimer les dépendances inter-systèmes instables sous changement de distribution.
    • Analyse : Les visualisations (t-SNE) ont montré que l'alignement des mécanismes menait à une meilleure séparation des classes et un meilleur désenchevêtrement des domaines. L'analyse de l'incertitude a confirmé que le modèle attribuait correctement une incertitude plus élevée aux échantillons OOD et que l'incertitude était corrélée aux erreurs de prédiction.

5. Signification et Revendications

Le papier affirme que la stratégie ACC-CRL proposée offre une solution robuste pour la fusion multi-sources dans des environnements ouverts où les changements de distribution sont inévitables. En passant d'une perspective observationnelle statique à une perspective de construction causale dynamique, la méthode :

• Atténue efficacement la Discrépance Inter-Systèmes en établissant des ancres causales transférables.
• Supprime l'Enchevêtrement Inter-Systèmes en régulant de manière adaptative la fusion basée sur l'incertitude structurelle et prédictive.
• Démontre que la modélisation explicite de la génération et de l'évolution des structures causales conduit à une généralisation supérieure par rapport aux méthodes supposant des graphes causaux fixes.

Les auteurs concluent que cette approche est particulièrement précieuse pour les applications médicales (comme la prédiction de la MVI) où l'hétérogénéité des données entre les centres est élevée et où une prise de décision fiable et interprétable est critique. Ils suggèrent que les travaux futurs exploreront la modélisation de systèmes causaux multiples plus complexes et des techniques avancées d'apprentissage de structure pour renforcer davantage l'applicabilité clinique.