MUNNA: A Multi-strategy, Uncertainty-driven, Nested Neuro-ensemble Algorithm for Disease Diagnosis with Closed-loop Explainability Feedback

Imaginez que vous êtes un détective essayant de résoudre un mystère, mais au lieu d'une scène de crime, vous examinez le dossier médical d'un patient. Ce dossier est rempli de centaines de petits indices — des chiffres représentant la taille, la forme et la texture des cellules. Le but est de déterminer si un patient est malade ou en bonne santé. Dans le monde de la science, cela s'appelle le « diagnostic de maladie », et depuis longtemps, les ordinateurs aident les médecins en agissant comme des détectives super rapides. Cependant, ces détectives informatiques ont eu quelques habitudes agaçantes. Parfois, ils restent bloqués sur les mauvais indices, pensant qu'ils sont les plus importants alors qu'ils ne le sont pas. D'autres fois, ils s'appuient sur l'opinion d'un seul « expert », même si un groupe d'experts serait plus intelligent. Enfin, ils expliquent souvent leurs réponses a posteriori, comme un détective rédigeant un rapport après la clôture de l'affaire, plutôt que d'utiliser ces explications pour mieux résoudre le mystère dès le départ.

Pour corriger ces habitudes, les scientifiques utilisent quelques astuces ingénieuses. Une astuce est la « sélection de caractéristiques » (feature selection), qui revient à un détective décidant quels indices garder et lesquels jeter pour ne pas être submergé par le bruit. Une autre est « l'apprentissage d'ensemble » (ensemble learning), où au lieu de demander l'avis d'un seul détective, vous interrogez toute une équipe d'experts (certains bons en mathématiques, d'autres en reconnaissance de formes) et les laissez voter sur la réponse. La troisième astuce est « l'explicabilité », qui consiste simplement à demander à l'ordinateur : « Pourquoi as-tu fait ce choix ? » afin que les humains puissent lui faire confiance. La grande question est la suivante : peut-on combiner toutes ces astuces en un système super intelligent qui apprend de ses propres explications pour devenir encore meilleur ?

C'est exactement ce que le chercheur Md. Maruf Sharker Munna a entrepris de faire dans une nouvelle étude appelée MUNNA. Considérez MUNNA comme une agence de détectives de haute technologie qui ne se contente pas de résoudre l'affaire une fois, mais qui affine sans cesse ses méthodes jusqu'à ce qu'elles soient parfaites. L'article propose un processus en trois étapes pour diagnostiquer des maladies, testé spécifiquement sur des données concernant le cancer du sein.

Étape 1 : Le chasseur d'indices intelligent
D'abord, MUNNA doit décider quels indices du dossier médical sont réellement utiles. Imaginez que vous avez un sac de 30 outils différents, mais que vous n'en avez besoin que de quelques-uns pour résoudre un problème spécifique. MUNNA utilise une stratégie hybride appelée GWO-SA. Imaginez une meute de loups en chasse. Le loup « Alpha » est le chef, et la meute le suit pour trouver de la nourriture (le meilleur ensemble d'indices). Mais parfois, l'Alpha reste coincé dans un piège local, pensant qu'un petit buisson est le meilleur endroit. Pour corriger cela, MUNNA ajoute une étape de « Recuit Simulé » (Simulated Annealing). C'est comme donner au loup Alpha un élan soudain d'énergie pour qu'il saute vers un tout nouvel endroit, juste pour voir s'il y a quelque chose de mieux là-bas. En combinant le travail d'équipe de la meute avec ces sauts soudains, MUNNA trouve le jeu parfait de 20 indices parmi les 30 originaux, jetant ainsi les indices inutiles et bruyants.

Étape 2 : Le vote de l'équipe de confiance
Une fois les meilleurs indices sélectionnés, MUNNA fait appel à une équipe de cinq différents « apprenants de base » (experts). Ce sont différents types de modèles informatiques : une Forêt Aléatoire (Random Forest), un XGBoost, une Machine à Vecteurs de Support (Support Vector Machine), un K-Plus Proches Voisins (K-Nearest Neighbors) et un Perceptron Multicouche. Dans une équipe normale, tout le monde a un vote égal. Mais MUNNA est plus intelligent. Il utilise un empilement pondéré par l'incertitude (uncertainty-weighted stacking). Imaginez que chaque expert donne une prédiction, mais que certains sont très sûrs d'eux (en disant par exemple « Je suis sûr à 99 % ») tandis que d'autres sont hésitants (en disant « Peut-être 55 % »). MUNNA calcule à quel point chaque expert est « confus » en utilisant un concept mathématique appelé entropie de Shannon. Si un expert est confus, MUNNA l'écoute moins. S'il est confiant, il l'écoute davantage. De cette façon, la décision finale n'est pas seulement une moyenne ennuyeuse ; c'est un vote dynamique où l'expert le plus confiant pour ce patient spécifique a la voix la plus forte.

Étape 3 : La boucle de rétroaction
Voici la partie la plus unique. Habituellement, après qu'un modèle a pris une décision, les scientifiques utilisent un outil appelé SHAP pour expliquer pourquoi il a fait ce choix. Mais MUNNA ne s'arrête pas là. Il prend ces explications et les réinjecte dans la toute première étape. C'est comme un détective résolvant une affaire, notant quels indices étaient les plus importants, puis utilisant cette liste pour embaucher une nouvelle équipe de détectives pour la prochaine affaire, qui sont déjà orientés vers ces indices importants. Cette « boucle fermée » se produit deux fois. La première fois, les loups chassent les indices. Ensuite, l'outil SHAP indique quels indices ont été les véritables héros. Les loups chassent à nouveau, en partant avec une avance sur ces indices héros, rendant la sélection finale encore plus précise.

Qu'ont-ils trouvé ?
Les chercheurs ont testé l'ensemble de ce système sur un célèbre ensemble de données contenant 569 échantillons de cellules cancéreuses du sein. Les résultats sont impressionnants. Le système complet MUNNA a atteint un score appelé AUC de 0,998 et un score F1 de 0,976. Pour mettre cela en perspective, les modèles uniques standards (comme l'utilisation seule d'une Forêt Aléatoire) ont obtenu environ 0,994, et même un vote d'équipe standard sans les astuces spéciales a obtenu 0,995. MUNNA les a tous battus. Il a réussi cela en utilisant seulement 20 des 30 caractéristiques originales, prouvant que moins, c'est souvent mieux.

Cependant, l'article est très honnête sur ses limites. Les auteurs notent que le succès de MUNNA dépend fortement de la quantité de « temps de calcul » qui lui est alloué. Lorsqu'ils l'ont testé avec un budget plus restreint (moins de loups et moins de cycles de chasse), l'avantage sur un vote d'équipe standard s'est réduit, et dans certains cas, l'équipe standard était légèrement meilleure en moyenne. Cela suggère que MUNNA n'est pas une baguette magique qui fonctionne instantanément ; c'est un outil puissant qui a besoin d'un certain temps et d'une certaine énergie pour briller.

L'étude précise également que si les parties individuelles (comme l'algorithme des loups ou l'outil SHAP) ne sont pas de nouvelles inventions, la manière spécifique dont elles sont enchaînées — en utilisant l'explication pour guider la recherche suivante, et en utilisant la confiance pour pondérer les votes — est une combinaison novatrice. Les chercheurs n'ont pas prétendu avoir résolu tout le diagnostic médical, mais ils ont montré que cette approche spécifique en boucle fermée crée un système hautement précis pour ce type spécifique de données cancéreuses. Ils ont même ajusté le point de décision final (« oui ou non ») (le seuil) à 0,530 au lieu du 0,5 habituel, garantissant que le système soit équilibré pour les risques médicaux du monde réel.

En résumé, MUNNA est un détective intelligent et capable de s'auto-améliorer, qui apprend de ses propres erreurs et de la confiance de ses membres d'équipe pour résoudre des mystères médicaux avec une précision incroyable, à condition d'avoir assez de temps pour faire ses devoirs.