Multimodal domain adaptation under label shift and blockwise missing modalities

Le Puzzle des Indices Médicaux Mélangés

Imaginez que vous soyez un détective tentant de résoudre un mystère, mais que les indices dont vous disposez sont éparpillés à travers différentes scènes de crime, écrits dans des langues différentes, et que certains manquent totalement. C'est la réalité quotidienne des chercheurs médicaux modernes qui tentent de prédire des maladies comme le cancer. Ils ont accès à un trésor de données : dossiers de santé électroniques, notes de médecins, scanners IRM et tests génétiques. On appelle cela des données « multimodales » car elles provrent sous de nombreuses formes ou « modes » différents.

Cependant, il y a un piège. Un hôpital peut disposer d'excellentes radiographies mais aucune donnée génétique, tandis qu'un autre possède la génétique mais pas de radiographies. De plus, les patients des « anciens » hôpitaux (les sources) peuvent être différents des patients du « nouvel » hôpital (la cible) où la prédiction est réellement nécessaire. Peut-être que le nouvel hôpital reçoit des patients plus gravement malades, ou peut-être que la maladie se comporte légèrement différemment là-bas. Cette différence est appelée « décalage de labels » (label shift). Si vous essayez de mélanger tous ces sources de données désordonnées, incomplètes et différentes sans un plan, vos prédictions seront aussi confuses qu'un détective essayant de résoudre une affaire avec une carte provenant d'un pays différent. L'objectif de cette recherche est de comprendre comment combiner ces indices épars et imparfaits pour faire des prédictions précises pour un nouveau groupe de personnes, même lorsque les règles du jeu ont changé.

La Solution de l'« Ancre de Référence »

Dans cet article, les auteurs proposent une nouvelle méthode ingénieuse pour résoudre ce puzzle, qu'ils appellent « adaptation de domaine ancrée sur une référence » (reference-anchored domain adaptation). Voyez cela comme une tentative de traduire une histoire écrite dans plusieurs dialectes, où certaines pages manquent dans certaines copies.

D'abord, les auteurs réalisent que l'on ne peut pas simplement amalgamer toutes les données. Si vous essayez d'aligner directement les indices de « radiographie » de l'Hôpital A avec les indices « génétiques » de l'Hôpital B, vous risquez de vous tromper car les patients de ces hôpitaux sont différents. C'est comme essayer de comparer la taille des joueurs de basket d'une équipe à celle des poids des nageurs d'une autre sans ajuster selon le sport. Les auteurs soutiennent que vous devez d'abord déterminer comment la « variable de résultat » (comme le fait qu'un patient tombe malade) est distribuée dans le nouveau groupe cible, puis ajuster les anciennes données pour qu'elles correspondent à cette nouvelle réalité avant de tenter de combiner les indices.

Pour ce faire, ils utilisent une « modalité de référence ». Imaginez que chaque hôpital, ancien comme nouveau, possède une carte d'identité standard avec des informations de base comme l'âge et le sexe. C'est la « référence ». Les auteurs utilisent cette carte d'identité commune pour estimer à quoi ressemblent les taux de maladie dans le nouveau groupe cible. Une fois qu'ils connaissent la « vibration » de la cible, ils repondèrent les anciennes données pour qu'elles semblent provenir du nouveau groupe.

Vient ensuite la partie délicate : les pièces manquantes. Certains hôpitaux ont des radiographies, d'autres des tests sanguins, mais personne n'a les deux. Les auteurs utilisent un outil mathématique appelé Analyse de Corrélation Canonique (CCA) pour trouver les connexions cachées entre la carte d'identité de référence et les autres indices (comme les radiographies ou les tests sanguins) dans le groupe cible. Cela crée un « langage commun » ou une carte partagée. Ensuite, ils utilisent une technique appelée « régression de ridge » pour traduire les indices des hôpitaux sources dans ce nouveau langage commun. C'est comme avoir un traducteur qui connaît parfaitement le dialecte du groupe cible et qui peut prendre les notes éparpillées des anciens hôpitaux et les réécrire pour qu'elles s'insèrent dans la nouvelle carte.

Enfin, ils utilisent ces indices alignés pour prédire le résultat. L'article introduit également une astuce de « substitut » (surrogate) pour les cas où les anciens hôpitaux ne possèdent pas de labels parfaits (comme un diagnostic confirmé). Ils utilisent un signal plus grossier, plus facile à obtenir (comme l'estimation d'un ordinateur) pour aider à construire le pont, puis l'affinent avec les quelques labels parfaits dont ils disposent.

Ce Qu'Ils Ont Découvert

Les auteurs ont testé cette idée de deux manières : par des simulations informatiques et avec des données réelles de patients atteints de carcinome à cellules rénales (un type de cancer du rein).

Dans leurs simulations, ils ont créé des mondes fictifs où les données manquaient par blocs et où les taux de maladie différaient entre les groupes. Ils ont constaté que leur méthode était bien meilleure pour prédire les résultats qu'un simple lancement de toutes les données dans un modèle d'apprentissage automatique standard. Plus précisément, leur méthode a amélioré la précision des prédictions d'environ 20 % et a réduit l'erreur des estimations de probabilité de près de 52 % par rapport à un modèle populaire appelé XGBoost qui n'utilisait pas leurs astuces d'alignement spéciales. Ils ont également montré que même avec seulement quelques labels parfaits et principalement des labels « substituts » approximatifs, leur méthode pouvait s'approcher très près de la performance d'avoir tous les labels parfaits.

Dans le test en conditions réelles, ils ont examiné 7 713 patients atteints de cancer du rein. Ils ont utilisé les données de patients traités entre 2000 et 2016 comme « source » et les patients de 2017 à 2022 comme « cible ». Les données étaient désordonnées : certains patients n'avaient que des dossiers de base, d'autres avaient des scanners CT, et certains avaient les deux. Les taux de récurrence de la maladie avaient également évolué au fil du temps. Leur méthode a prédit avec succès quels patients présenteraient une récurrence dans les 12 mois. Elle s'est avérée être la méthode la plus précise pour prédire la probabilité de récurrence (mesurée par un score appelé BSS) et la meilleure pour correspondre au taux réel de la maladie dans le nouveau groupe (étalonnage/calibration). Bien que d'autres méthodes soient correctes pour classer les patients (qui est plus malade que qui), elles se trompaient souvent sur les chiffres de risque réels. La méthode des auteurs, cependant, a réussi à obtenir à la fois le classement et les chiffres de risque.

L'article écarte explicitement l'idée que l'on puisse simplement regrouper toutes les données ou que l'on puisse aligner les données sans d'abord corriger la différence dans les taux de maladie. Ils ont montré que faire les choses de la « vieille manière » conduit à des prédictions mal calibrées. Ils ont également démontré que leur méthode fonctionne même lorsque les données de différentes sources sont complètement différentes (manquantes par blocs) et lorsque les labels sont rares.

En résumé, les auteurs suggèrent qu'en utilisant un point de référence commun pour d'abord comprendre le groupe cible, puis en traduisant soigneusement les indices éparpillés des autres groupes dans ce contexte, nous pouvons réaliser des prédictions médicales beaucoup plus fiables. Cette approche ne se contente pas de deviner ; elle construit un pont solide entre différents mondes de données, garantissant que les prédictions pour le futur sont ancrées dans la réalité du présent.