Cross-Scanner Reliability of Brain MRI Foundation Model Embeddings: A Travelling-Heads Study

Cette étude démontre que la fiabilité des représentations d'images IRM cérébrales à travers différents scanners dépend principalement de la stratégie de préentraînement, les modèles intégrant des métadonnées biologiques surpassant nettement les modèles auto-supervisés purs et les méthodes traditionnelles.

L'essentiel

🧠 Le Grand Voyage des Cerveaux : Une Enquête sur la Confiance des IA

Imaginez que vous avez un groupe de 20 amis (nos "têtes voyageuses"). Vous les emmenez dans 8 hôpitaux différents, équipés de 3 marques de machines à IRM différentes (Siemens, Philips, GE). À chaque arrêt, on prend une photo très détaillée de leur cerveau.

Ensuite, on utilise des Intelligences Artificielles (IA) très puissantes, appelées "Modèles Fondation", pour analyser ces photos. Le but de ces IA est de comprendre la biologie humaine : qui est malade, qui vieillit vite, ou simplement comment fonctionne un cerveau.

Le problème ?
Ces IA sont comme des traducteurs. Si vous leur donnez une phrase en français, elles doivent la traduire en anglais. Mais ici, le "français" est l'image du cerveau prise sur une machine Siemens, et l'"anglais" est l'image prise sur une machine GE.
La question cruciale de cette étude est : Est-ce que l'IA comprend la même chose du cerveau, peu importe la machine qui a pris la photo ? Ou bien, l'IA se laisse-t-elle tromper par les "accents" de la machine (le bruit, la couleur, la texture spécifique de l'appareil) au lieu de voir la vraie personne ?

🔍 L'Expérience : Qui est le meilleur traducteur ?

Les chercheurs ont testé 5 IA différentes (des "modèles") et les ont comparées à une méthode classique (FreeSurfer, comme un vieux manuel de référence). Ils ont regardé si les "empreintes digitales" numériques du cerveau restaient les mêmes quand on changeait de machine.

Voici ce qu'ils ont découvert, classé du meilleur au pire :

🏆 Les Champions : Les IA "Biologiques" (AnatCL et y-Aware)

Ces IA ont été entraînées avec un manuel de biologie. On leur a dit : "Écoute, ne regarde pas juste les pixels. Regarde l'âge de la personne, la taille de ses plis cérébraux, son volume de matière grise."

• L'analogie : C'est comme un traducteur qui connaît la grammaire et la culture. Peu importe si le texte est écrit à la main ou à la machine, il comprend le sens.
• Le résultat : Elles sont excellentes. Même si on change de machine, elles reconnaissent la même personne. Leur "fiabilité" est de 97% pour la meilleure (AnatCL). Elles sont même plus fiables que la méthode classique !

🥈 Le Milieu de Tableau : L'IA "Âge" (y-Aware)

Elle utilise aussi des indices biologiques (l'âge), mais un peu moins complets que la championne.

• Le résultat : Très bonne (81% de fiabilité), elle fait le travail, mais avec un peu plus de bruit.

📉 Les Perdants : Les IA "Pures" (BrainIAC, BrainSegFounder, 3D-Neuro-SimCLR)

Ces IA ont été entraînées uniquement sur des images, sans aucun guide biologique. On leur a dit : "Regarde les images, trouve des motifs, devine tout." C'est ce qu'on appelle l'apprentissage "auto-supervisé".

• L'analogie : C'est comme un traducteur qui n'a jamais appris la grammaire. Il se base uniquement sur la forme des lettres. Si la police d'écriture change (la machine change), il est perdu. Il commence à traduire le style de la machine au lieu du message.
• Le résultat : Catastrophique.
  • L'une d'elles (BrainIAC) a une fiabilité de 45%.
  • Les deux autres (BrainSegFounder et 3D-Neuro-SimCLR) sont en dessous de 30% !
  • Le choc : Pour ces IA, l'identité de la machine (Siemens vs GE) est plus importante que l'identité de la personne. Si vous changez de machine, l'IA pense que c'est une autre personne !

🕵️‍♂️ La Preuve : L'Enquête des "Empreintes"

Pour vérifier leur théorie, les chercheurs ont fait deux tests :

1. Le test du détective de machine : Ils ont demandé à l'IA de deviner sur quelle machine la photo a été prise.

   • Les IA "pures" ont réussi à dire la machine dans 90% des cas ! Elles sont devenues des experts en "marque d'appareil".
   • Les IA "biologiques" ont eu beaucoup de mal (environ 45%), ce qui est une bonne chose : cela signifie qu'elles ne se soucient pas de la machine.

2. Le test du détective de personne : Ils ont demandé à l'IA de retrouver la même personne sur deux machines différentes.

   • Les IA "biologiques" ont retrouvé la personne 100% du temps.
   • Les IA "pures" ont échoué la plupart du temps. Elles pensaient que le cerveau de votre ami sur la machine A était différent de celui sur la machine B.

💡 La Leçon à retenir

Cette étude nous apprend une chose fondamentale pour le futur de la médecine :

La quantité de données ne suffit pas.
On pensait peut-être que plus on donne d'images à une IA, plus elle devient intelligente. Or, cette étude montre que la façon dont on l'entraîne est plus importante que la quantité.

• Si on entraîne une IA uniquement avec des images, elle apprendra les "accents" des machines (les défauts techniques).
• Si on lui donne des indices biologiques (âge, anatomie) pendant son entraînement, elle apprendra à ignorer les machines et à voir la vraie biologie humaine.

En résumé : Pour que les IA médicales soient fiables dans tous les hôpitaux du monde, il ne suffit pas de les nourrir de millions de photos. Il faut leur apprendre à regarder la biologie, pas juste les pixels. Sinon, nous risquons de diagnostiquer des maladies qui n'existent que parce que l'hôpital utilise une marque de machine différente !

Résumé technique

1. Problématique et Contexte

Les modèles de fondation (Foundation Models - FMs) pour l'IRM cérébrale sont de plus en plus adoptés comme backbones pré-entraînés pour des tâches cliniques telles que la prédiction de l'âge cérébral, la classification de maladies et la détection d'anomalies. Cependant, une préoccupation majeure émerge : les représentations internes (embeddings) de ces modèles peuvent-elles varier systématiquement en fonction du scanner IRM utilisé ?

Si les embeddings d'un même cerveau, scanné sur deux systèmes différents, diffèrent significativement, les analyses en aval risquent de refléter les artefacts d'acquisition matérielle plutôt que la biologie sous-jacente. À ce jour, aucune étude n'avait quantifié systématiquement cette reproductibilité inter-scanners pour les embeddings de modèles de fondation, contrairement aux mesures morphométriques classiques.

2. Méthodologie

L'étude adopte une approche rigoureuse basée sur un design « travelling-heads » (têtes voyageantes), où les mêmes individus sont scannés sur plusieurs appareils.

• Données : Utilisation du jeu de données ON-Harmony, une ressource publique multi-sites comprenant 20 participants sains scannés sur 8 scanners différents (3 constructeurs : Siemens, Philips, GE) et 5 sites au Royaume-Uni. Le protocole inclut des sessions de retest intra-scanner pour certains participants.
• Modèles Évalués : Cinq modèles de fondation (FMs) architecturalement diversifiés et un baseline conventionnel (FreeSurfer) ont été évalués en mode inférence figée (sans fine-tuning) :
  • AnatCL (ResNet-18) : Apprentissage contrastif guidé par l'anatomie (épaisseur corticale, volume) et l'âge.
  • y-Aware (DenseNet-121) : Apprentissage contrastif guidé par l'âge.
  • BrainIAC (ViT-B) : Apprentissage auto-supervisé pur (SimCLR) sur des données multi-modalités.
  • BrainSegFounder (Swin Transformer) : Pré-entraînement multi-objectifs (reconstruction, rotation, contraste).
  • 3D-Neuro-SimCLR (ResNet-18) : Apprentissage auto-supervisé pur (SimCLR).
  • FreeSurfer : Baseline morphométrique conventionnelle (199 caractéristiques).
• Métriques d'Évaluation :
  • Coefficient de Corrélation Intraclass (ICC) : Calculé pour évaluer la fiabilité inter-scanner (ICC(2,1)) et intra-scanner (ICC(3,1)).
  • Décomposition de la Variance : Analyse de la proportion de variance attribuable au sujet (biologie), au scanner (technique) et au résidu.
  • Empreinte Scanner (Fingerprinting) : Entraînement d'un SVM pour prédire l'identité du scanner à partir des embeddings.
  • Identification du Sujet : Capacité à retrouver le bon sujet parmi les sessions d'autres scanners via la similarité cosinus.

3. Résultats Clés

Les résultats révèlent un spectre complet de fiabilité, allant de l'excellente reproductibilité à une fiabilité quasi-nulle, dicté principalement par la stratégie de pré-entraînement.

• Performance des Modèles Guidés par la Biologie (Excellente) :

  • AnatCL a obtenu la fiabilité la plus élevée (ICC = 0,97), surpassant même le baseline FreeSurfer (ICC = 0,93). 100 % de ses dimensions d'embedding atteignent un niveau de fiabilité « bon à excellent ».
  • y-Aware a également montré une bonne fiabilité (ICC = 0,81).
  • Ces modèles attribuent la majorité de leur variance aux différences inter-sujets (biologie) et très peu aux scanners.

• Performance des Modèles Auto-Supervisés Purs (Mauvaise à Très Mauvaise) :

  • Les modèles purement auto-supervisés (BrainIAC, BrainSegFounder, 3D-Neuro-SimCLR) ont échoué à atteindre le seuil de fiabilité « pauvre » (< 0,50).
  • BrainIAC : ICC = 0,45.
  • BrainSegFounder : ICC = 0,31 (57,9 % de la variance due au scanner).
  • 3D-Neuro-SimCLR : ICC = 0,25 (le moins fiable, 40,9 % de variance résiduelle).
  • Pour ces modèles, l'identité du scanner est fortement prédictible (fingerprinting > 89 % pour BrainSegFounder et 3D-Neuro-SimCLR), et l'identification du sujet est souvent impossible.

• Facteurs Déterminants :

  • La stratégie de pré-entraînement est le facteur le plus explicatif. L'intégration de métadonnées biologiques (âge, morphométrie) dans la fonction de perte contrastive permet d'obtenir des embeddings robustes aux scanners.
  • L'architecture (CNN vs Transformer), la dimensionnalité des embeddings et l'échelle du jeu de données de pré-entraînement (de 4k à 45k scans) n'ont pas prédit la fiabilité. Par exemple, un modèle ResNet-18 pré-entraîné avec supervision biologique (AnatCL) est bien plus fiable qu'un autre ResNet-18 pré-entraîné en auto-supervision (3D-Neuro-SimCLR).

4. Contributions Principales

1. Première évaluation systématique : Il s'agit de la première étude utilisant un design « travelling-heads » pour quantifier la reproductibilité inter-scanner des embeddings de modèles de fondation en IRM cérébrale.
2. Preuve de l'importance de la supervision biologique : L'étude démontre que l'auto-supervision pure, bien que populaire, peut apprendre des signatures spécifiques au scanner, rendant les modèles inadaptés aux études multi-sites sans adaptation. À l'inverse, guider l'apprentissage par des variables biologiques (âge, morphométrie) force le modèle à ignorer les artefacts d'acquisition.
3. Benchmark de référence : Fournit des valeurs de référence (ICC) pour comparer les futurs modèles de fondation, montrant que les meilleurs modèles actuels (AnatCL) peuvent égaler ou dépasser la fiabilité des mesures morphométriques traditionnelles (FreeSurfer).

5. Signification et Implications

• Risque pour les applications cliniques : L'utilisation de modèles pré-entraînés sans supervision biologique pour des tâches multi-sites (classification, détection d'anomalies) risque de produire des biais liés au matériel d'acquisition plutôt qu'à la pathologie.
• Sélection de modèles : Le choix du modèle de fondation est une décision critique. Les modèles guidés par la biologie (comme AnatCL) sont des candidats privilégiés pour le déploiement multi-sites, tandis que les modèles auto-supervisés purs nécessitent probablement des harmonisations post-hoc ou des objectifs d'apprentissage spécifiques (scanner-aware).
• Limites et Avenir : Bien que les modèles guidés biologiquement soient robustes, ils ne sont pas totalement invariants (empreinte scanner > 45 %). Des techniques d'harmonisation (comme ComBat) ou des objectifs d'apprentissage explicitement invariants restent nécessaires pour un déploiement clinique sans faille. L'étude souligne également que la fiabilité des embeddings figés est un indicateur précoce de la robustesse d'un modèle avant même le fine-tuning.

En conclusion, cette recherche met en garde contre l'adoption aveugle de modèles de fondation auto-supervisés pour l'IRM multi-sites et plaide pour l'intégration de connaissances biologiques dans les stratégies de pré-entraînement afin d'assurer la reproductibilité et la validité biologique des représentations apprises.