A causally informed framework for robust confounder control in biomedical machine learning

Cet article propose un cadre pratique en trois étapes, fondé sur l'analyse causale et les graphes acycliques dirigés, pour sélectionner et ajuster les variables de confusion dans l'apprentissage automatique biomédical, afin d'améliorer la robustesse et la validité neurobiologique des modèles prédictifs tout en mettant en garde contre l'interprétation causale directe de ces modèles.

L'essentiel

🧠 L'Intelligence Artificielle et le "Grand Magicien" Trompeur

Imaginez que vous avez un magicien (l'Intelligence Artificielle) qui doit deviner la force de votre poignée de main (le résultat) en regardant simplement une photo de votre cerveau (les données).

Dans le monde réel, ce magicien est souvent très performant. Il devine juste ! Mais il y a un problème : il triche.

Au lieu d'apprendre la vraie relation entre le cerveau et la force musculaire, il a appris des astuces de "tricheur". Par exemple, il a remarqué que :

• Les hommes ont souvent des muscles plus gros et des cerveaux légèrement différents.
• Les personnes âgées ont souvent moins de muscles et des changements dans le cerveau.

Si le magicien voit un homme avec un cerveau "de vieillard", il devinera "faible" non pas parce que le cerveau est faible, mais parce qu'il a associé "homme + cerveau vieillot = faible". Il ne comprend pas la biologie, il a juste mémorisé des stéréotypes. C'est ce qu'on appelle un biais de confusion.

Ce papier propose une méthode en 3 étapes pour forcer le magicien à arrêter de tricher et à apprendre la vraie science.

---

🗺️ Étape 1 : Dessiner la Carte du Trésor (Le DAG)

Avant même de toucher aux données, les auteurs disent : "Arrêtez de deviner, commencez par réfléchir !"

Imaginez que vous devez naviguer dans une forêt dense. Si vous avancez au hasard, vous vous perdrez. Il faut d'abord dessiner une carte.

• La carte : C'est un dessin appelé DAG (Graphique Acyclique Dirigé). C'est une carte des causes et des effets.
• L'exercice : Au lieu de dire "Ah, l'âge est important, on le met dans le modèle", on se demande : "Pourquoi l'âge influence-t-il le cerveau ? Pourquoi influence-t-il la force ?"
• L'analogie : C'est comme si vous cherchiez à savoir si la pluie (X) fait pousser les fleurs (Y). Vous savez que le sol humide (Z) est lié aux deux. Si vous ne dessinez pas la carte, vous pourriez confondre la pluie avec le sol humide. La carte vous montre clairement : "La pluie va sur le sol, et le sol va sur les fleurs".

Le but : Identifier les vrais "coupables" (les confondants) qui faussent le jeu, et éviter de se tromper en punissant les innocents (comme les "colliders", qui sont des pièges à éviter).

---

🕵️‍♂️ Étape 2 : Trouver les Vrais Témoins (Même s'ils sont invisibles)

Une fois la carte dessinée, on doit choisir qui interroger pour nettoyer les données.

• Le problème : Parfois, le vrai coupable est invisible. Dans l'exemple du papier, le niveau d'hormones sexuelles est crucial, mais il n'a pas été mesuré dans la base de données (c'est comme chercher un fantôme).
• La solution : On utilise des proxies (des substituts).
  • Analogie : Si vous ne pouvez pas voir le niveau de testostérone (le fantôme), vous pouvez regarder la voix grave d'une personne ou la pilosité de son visage. Ce ne sont pas la testostérone elle-même, mais ce sont des "ombres" qui trahissent sa présence.
• L'astuce : En utilisant deux de ces "ombres" (la voix ET la pilosité) ensemble, on peut mathématiquement reconstituer ce que le fantôme aurait dit, même s'il n'est pas là.

Si on ne trouve pas de substitut, on cherche un instrument (comme un gène spécifique qui change le cerveau mais pas la force musculaire directement) pour isoler la vraie cause.

---

🧹 Étape 3 : Le Grand Nettoyage (L'Épluchage)

Maintenant qu'on a identifié les coupables (l'âge, le sexe, la masse musculaire), il faut les retirer de l'équation.

• L'ancienne méthode (Le couteau suisse) : On utilisait souvent une méthode simple et linéaire, comme un couteau suisse. On "râpait" les données pour enlever l'effet de l'âge ou du sexe.
  • Le problème : C'est comme essayer de nettoyer une tache d'huile avec de l'eau. Ça marche pour les taches simples, mais si la tache est complexe (non-linéaire), il reste des résidus. De plus, on nettoyait souvent seulement les données d'entrée (le cerveau) mais pas la sortie (la force), ce qui laissait des traces de triche.
• La nouvelle méthode (Le laser chirurgical) : Les auteurs proposent d'utiliser une technique plus avancée appelée "Double Machine Learning".
  • Analogie : Imaginez que vous avez deux équipes de détectives.
    1. La première équipe apprend à prédire la force musculaire en se basant uniquement sur l'âge et le sexe (pour comprendre le "bruit").
    2. La deuxième équipe apprend à prédire le cerveau en se basant sur l'âge et le sexe.
    3. On soustrait ces prédictions "bruitées" des données réelles. Il ne reste que la relation pure entre le cerveau et la force, sans l'influence de l'âge ou du sexe.

Le résultat choquant : Quand ils ont appliqué cette méthode propre sur leur exemple, la prédiction est devenue nulle (r=0).

• Pourquoi ? Parce que le modèle précédent était trop bon ! Il était si performant (r=0.48) qu'il ne le devait qu'au fait qu'il trichait avec l'âge et le sexe. Une fois la triche enlevée, il n'y avait plus de relation simple entre le cerveau et la force. Cela prouve que le modèle initial était faux, même s'il semblait performant.

---

⚠️ Conclusion : La Vérité est Nuancée

Le papier termine par un avertissement important :
Même si on enlève toute la triche, l'IA ne devient pas magicienne de la causalité.

• Elle peut dire : "Le cerveau et la force sont liés, sans l'influence de l'âge."
• Mais elle ne peut pas dire : "Le cerveau cause la force" (ou l'inverse, car l'entraînement musculaire peut aussi changer le cerveau).

En résumé : Ce papier est un guide de survie pour les médecins et les chercheurs. Il dit : "Ne faites pas confiance à la première prédiction brillante de votre IA. Dessinez d'abord une carte des causes, cherchez les témoins invisibles, et nettoyez vos données avec des outils chirurgicaux. Sinon, vous risquez de soigner des fantômes et de prendre de mauvaises décisions médicales."

C'est un appel à la rigueur pour que l'IA devienne un véritable partenaire scientifique et non un simple parieur chanceux.

Résumé technique

1. Problématique

L'apprentissage automatique (ML) transforme la neurobiomédecine en permettant le développement de modèles prédictifs pour le diagnostic et la découverte de biomarqueurs. Cependant, ces modèles souffrent souvent d'un manque de généralisabilité et de validité neurobiologique.

• Cause racine : Les modèles exploitent des associations spurs (biais de confusion) plutôt que des mécanismes biologiques réels. Un facteur de confusion (variable $Z$) influence à la fois les caractéristiques d'entrée ($X$, ex. : volume de matière grise) et la cible ($Y$, ex. : force de préhension), créant une corrélation artificielle.
• Limites des pratiques actuelles : La sélection des facteurs de confusion repose souvent sur des heuristiques (âge, sexe) ou des corrélations statistiques simples. Cela risque de confondre les confuseurs (à contrôler), les colliders (dont le contrôle introduit un biais) et les médiators (dont le contrôle masque l'effet total).
• Défi spécifique : Dans les données observationnelles neurobiomédicales, des facteurs de confusion pertinents sont souvent non mesurés (ex. : niveaux hormonaux, adversité précoce), rendant les méthodes d'ajustement standard inefficaces.

2. Méthodologie : Un cadre en trois étapes

Les auteurs proposent un cadre pragmatique et intégrable pour la sélection et l'ajustement des facteurs de confusion, basé sur l'inférence causale.

Étape 1 : Analyse causale et construction de DAG

• Approche : Construction d'un Graphe Acyclique Dirigé (DAG) basé sur la connaissance du domaine et la littérature, en utilisant une stratégie « bottom-up » (partir de la cible $Y$ pour remonter aux causes).
• Objectif : Formaliser les hypothèses causales, distinguer les rôles des variables (confuseurs, colliders, médiators) et identifier les chemins de confusion (backdoor paths) à bloquer.
• Exemple utilisé : Prédiction de la force de préhension (HGS) à partir du volume de matière grise (GMV) dans la base de données UK Biobank. Le DAG identifie que l'âge et les hormones sexuelles sont des causes communes de GMV et HGS.

Étape 2 : Identification des variables de déconfusion (Deconfounders)

L'objectif est de trouver un sous-ensemble suffisant de variables pour bloquer tous les chemins de confusion sans introduire de biais.

• Critère de la porte arrière (Backdoor Criterion) : Méthode standard pour identifier les variables à ajuster si elles sont mesurées.
• Gestion des facteurs de confusion non mesurés : Si les variables idéales (ex. : hormones sexuelles) ne sont pas disponibles, le cadre propose des alternatives :
  • Critère de la porte avant (Front-door) : Utilisation d'une variable intermédiaire.
  • Variables instrumentales (IV) : Utilisation de variables (ex. : variants génétiques) qui affectent $X$ mais pas directement $Y$.
  • Variables proxy : Utilisation de deux variables mesurées (ex. : tonalité de la voix, ratio taille/hanches) qui sont des effets de la variable latente non mesurée, permettant de reconstruire son influence sous certaines conditions théoriques (indépendance conditionnelle, pertinence, condition de rang).

Étape 3 : Évaluation statistique et ajustement

• Validation : Vérification que les variables sélectionnées sont statistiquement associées à la fois aux caractéristiques ($X$) et à la cible ($Y$).
• Techniques d'ajustement :
  • Régression linéaire résiduelle (Linear Residualization) : Méthode courante mais limitée (suppose des relations linéaires, souvent appliquée uniquement aux caractéristiques).
  • Apprentissage Machine Double/Débiaisé (Double Machine Learning - DML) : Les auteurs introduisent cette méthode, conçue à l'origine pour l'inférence causale, comme alternative puissante. Elle permet d'utiliser des modèles ML non linéaires pour estimer les effets de nuisance (facteurs de confusion) et d'utiliser le cross-fitting (division des données) pour éviter le surapprentissage et obtenir des estimateurs non biaisés.

3. Résultats Clés

• Impact de la confusion : Dans l'exemple UK Biobank (GMV $\to$ HGS), un modèle linéaire non ajusté atteint une corrélation de $r=0.48$. Après ajustement linéaire pour les facteurs de confusion identifiés (masse musculaire et sexe), la performance chute à $r=0.00$. Cela démontre que la performance initiale était entièrement due à des biais de confusion (démographie, mode de vie) et non à des mécanismes biologiques réels.
• Limites de la régression linéaire : L'ajustement linéaire unilatéral (seulement sur les caractéristiques) est insuffisant car il laisse une variance de confusion dans la cible. L'ajustement bilatéral (caractéristiques et cible) est théoriquement supérieur mais pose des problèmes d'interprétabilité clinique.
• Potentiel du DML : Bien que complexe à mettre en œuvre (nécessite une validation croisée imbriquée et une division des données), le DML offre un cadre théorique robuste pour gérer des relations non linéaires et des facteurs de confusion non mesurés via des proxies ou des variables instrumentales.

4. Contributions Principales

1. Cadre structuré : Proposition d'un protocole en trois étapes (Causalité $\to$ Sélection $\to$ Ajustement) pour intégrer l'inférence causale dans les flux de travail ML supervisés biomédicaux.
2. Distinction conceptuelle : Clarification de la différence entre la sélection de variables basée sur la corrélation (insuffisante) et celle basée sur la causalité (nécessaire).
3. Solutions pour les données non mesurées : Discussion détaillée et application pratique de stratégies avancées (IV, proxies) pour les cas où les facteurs de confusion ne sont pas observables.
4. Intégration du DML : Introduction du Double Machine Learning comme alternative supérieure à la régression résiduelle linéaire pour l'ajustement des facteurs de confusion dans des contextes non linéaires.
5. Mise en garde sur l'interprétation : Avertissement crucial que même un modèle débiaisé reste fondamentalement associatif. L'interprétation causale ($P(Y|do(X))$) nécessite des hypothèses supplémentaires fortes (ignorabilité, consistance, etc.) qui ne sont pas garanties par le seul ajustement statistique.

5. Signification et Impact

Ce travail est crucial pour la fiabilité de l'IA en neurobiomédecine. Il démontre que l'optimisation de la précision prédictive sans contrôle causal peut conduire à des modèles non généralisables et biologiquement erronés.

• Pour la recherche : Le cadre force les chercheurs à expliciter leurs hypothèses causales, améliorant la reproductibilité et la validité des découvertes.
• Pour la clinique : Il permet de développer des outils de décision clinique plus robustes, moins sensibles aux changements de distribution des données (ex. : différents hôpitaux, populations démographiques différentes).
• Limites et avenir : L'article souligne que le passage de la prédiction associative à l'inférence causale stricte reste un défi, nécessitant non seulement un bon ajustement des facteurs de confusion, mais aussi une validation des hypothèses causales sous-jacentes et, idéalement, des interventions expérimentales.

En résumé, l'article plaide pour une transition de l'apprentissage automatique « boîte noire » vers des modèles « informés par la causalité », où la rigueur théorique de l'inférence causale est utilisée pour garantir la robustesse et l'interprétabilité biologique des modèles prédictifs.