Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

Imaginez que vous essayiez d'apprendre à un ordinateur à reconnaître un type d'objet spécifique, comme un oiseau rare ou une tache difficile sur un vêtement, simplement en regardant une photographie. Dans le monde de l'intelligence artificielle, cela s'appelle la classification d'images. Pendant longtemps, les ordinateurs ont été très doués pour cela en observant de minuscules points de couleur (pixels) et en apprenant comment ils s'assemblent pour former des formes. Mais il y a un piège : les objets du monde réel, en particulier en médecine comme les taches cutanées, ne sont pas de simples amas aléatoires de pixels. Ils ont une structure. Les parties d'un grain de beauté ou d'une lésion communiquent entre elles ; le bord d'une tache est lié à son centre.

Pour aider les ordinateurs à comprendre ces relations, les scientifiques utilisent ce qu'on appelle le « biais inductif ». Considérez cela comme un ensemble de règles ou un indice que nous donnons à l'ordinateur sur la façon dont le monde fonctionne. Il existe une façon de faire appelée apprentissage « implicite », où l'ordinateur découvre les connexions par lui-même en observant des millions d'images, un peu comme la façon dont vous apprenez à reconnaître le visage d'un ami sans qu'on vous dise exactement quels traits sont importants. Il existe un autre moyen, l'apprentissage « explicite », où nous dessinons littéralement une carte pour l'ordinateur, lui montrant quelles parties de l'image sont voisines et devraient être comparées. Cet article explore ce qui se passe lorsque nous combinons ces deux approches : laisser l'ordinateur apprendre les bases par lui-même, puis lui donner une carte spécifique pour l'aider à relier les points encore mieux. L'objectif ? Rendre le diagnostic médical plus précis, ce qui est crucial car les médecins ont besoin de tous les avantages possibles pour détecter les maladies précocement.

L'histoire de l'article : Apprendre à un ordinateur à se « parler » à lui-même

Cet article traite d'une équipe de chercheurs qui voulait voir s'ils pouvaient rendre un ordinateur plus intelligent pour diagnostiquer les lésions cutanées (des taches sur la peau qui pourraient être cancéreuses) en mélangeant deux façons de penser différentes. Ils ont mis en place une petite expérience pour voir si un ordinateur pouvait s'améliorer dans sa tâche en apprenant d'abord à comprendre « l'ambiance » d'une image par lui-même, puis en le forçant à discuter explicitement avec différentes parties de cette image.

D'abord, ils ont donné à l'ordinateur une session d'entraînement « auto-supervisée ». Imaginez que vous avez un puzzle, mais que vous cachez la moitié des pièces et que vous demandez à quelqu'un de deviner ce qui se trouve en dessous en se basant sur les pièces qu'il peut voir. L'ordinateur a fait quelque chose de similaire : il a regardé l'image d'une lésion cutanée, en a caché certaines parties et a tenté de reconstruire les parties manquantes. Cela a appris à l'ordinateur à comprendre les relations locales entre de minuscules carrés (appelés « patchs ») de l'image sans qu'un humain n'ait besoin de lui dire ce qu'était la maladie. C'est la partie implicite — apprendre les règles du jeu en y jouant.

Ensuite, ils ont pris ces « ambiances » apprises (embeddings) et ont tenté de classifier les taches cutanées. Ils ont commencé par une méthode standard où l'ordinateur regardait simplement tous les patchs et votait pour le diagnostic, ce qui était leur base de référence, et cela fonctionnait plutôt bien, obtenant une « précision équilibrée » de 76,17 % sur un premier ensemble de tests (ISIC-2018). Mais les chercheurs ne s'étaient pas arrêtés là. Ils voulaient voir s'ils pouvaient faire mieux en ajoutant la partie explicite : une carte.

Ils ont organisé les patchs en différents « graphes », qui sont simplement des réseaux sophistiqués où des points (les patchs) sont reliés par des lignes (les relations). Ils ont essayé trois types de cartes :

1. Aléatoire : Connecter les patchs à des voisins aléatoires, comme une discussion de groupe chaotique.
2. Grille : Connecter les patchs uniquement à leurs voisins immédiats, comme un pâté de maisons où l'on ne parle qu'aux maisons voisines.
3. K-plus proches voisins (kNN) : Connecter les patchs à ceux qui leur ressemblent le plus, quel que soit leur emplacement dans l'image, comme un club où l'on ne fréquente que des personnes ayant les mêmes loisirs.

Ils ont ensuite utilisé un type spécial de réseau neuronal (un réseau neuronal sur graphe) pour permettre à ces patchs de se « transmettre des messages » le long des lignes de leur carte avant de prendre une décision finale.

Ce qu'ils ont découvert

Les résultats étaient assez clairs. L'ordinateur qui regardait simplement les patchs et votait (la base de référence) a obtenu 76,17 % de précision. Lorsque l'on a ajouté l'apprentissage « implicite » (la reconstruction auto-supervisée), la précision est montée à 77,12 %. Mais la véritable magie s'est produite lorsqu'ils ont ajouté les cartes explicites.

Le meilleur performeur était le Graphe de Grille combiné à un type spécifique de réseau de passage de messages appelé Réseau d'Attention sur Graphe (GAT). Cette configuration, qui forçait l'ordinateur à respecter la disposition physique de la lésion cutanée, a boosté la précision à 79,27 %. C'est une amélioration solide ! Sur un second ensemble de données plus large (ISIC-2019), la même stratégie consistant à mélanger l'apprentissage implicite avec un graphe kNN (connectant les patchs similaires) a poussé la précision à 60,67 %, battant la version avec apprentissage implicite seul qui se situait à 59,84 %.

Les chercheurs ont également testé un scénario de type « et si » : et si l'ordinateur ne pouvait pas apprendre des messages et utilisait simplement une carte fixe et préétablie ? Lorsqu'ils ont « gelé » la partie apprentissage du réseau de graphe, la performance s'est effondrée à 34,28 %. Cela suggère que l'ordinateur doit activement apprendre comment les patchs sont liés entre eux ; il ne suffit pas de posséder la carte. Le processus d'apprentissage lui-même est ce qui fait la différence.

Pourquoi c'est important

L'article suggère que la recette secrète n'est pas seulement d'avoir plus de données ou des ordinateurs plus puissants, mais plutôt de la manière dont on connecte les points. En combinant la capacité d'un ordinateur à apprendre des motifs par lui-même (implicite) avec une manière structurée de comparer différentes parties d'une image (explicite), ils ont créé un système plus précis que de nombreuses méthodes précédentes. En fait, leur modèle unique a presque aussi bien performé que certains modèles « d'ensemble » massifs qui combinent les prédictions de jusqu'à 90 modèles complexes.

Les auteurs concluent que cette approche est une voie prometteuse pour traiter les images médicales, où la relation entre les différentes parties d'une lésion est cruciale. Ils ont trouvé que si l'apprentissage implicite offre une excellente base, ajouter une modélisation relationnelle explicite donne à cette base un toit solide. C'est un rappel que dans le monde de l'IA, il faut parfois apprendre à l'ordinateur non seulement ce qu'il doit regarder, mais aussi comment penser aux connexions de ce qu'il voit.