Towards Trustworthy Breast Cancer Diagnosis: A Comparative Explainability Stability Study of DenseNet121 and Vision Transformers

Résumé Technique : Vers un diagnostic du cancer du sein digne de confiance

Énoncé du problème
Les modèles d'apprentissage profond ont démontré un grand succès dans la classification d'images médicales, particulièrement pour le diagnostic du cancer du sein à partir d'images d'histopathologie. Cependant, ces modèles fonctionnent souvent comme des « boîtes noires », manquant d'interprétabilité pour les cliniciens, ce qui compromet la confiance dans les applications critiques en matière de sécurité. Bien que les outils d'intelligence artificielle explicable (XAI) comme SHapley Additive exPlanations (SHAP) fournissent des justifications visuelles pour les prédictions, il existe un écart important dans la compréhension de la stabilité et de la robustesse de ces explications. Plus précisément, il reste difficile de savoir comment la stabilité des explications diffère entre les architectures convolutionnelles (ex. : DenseNet) et les architectures basées sur les Transformers (ex. : Vision Transformers) lorsque les données d'entrée subissent des perturbations mineures telles que du bruit, des changements de luminosité ou une mise à l'échelle du contraste. Sans explications stables, les cliniciens pourraient perdre confiance dans les systèmes de diagnostic automatisés, même si la précision de la classification reste élevée.

Méthodologie
Cette étude propose un cadre comparatif pour évaluer la stabilité de l'explicabilité de modèles DenseNet121 (un réseau neuronal convolutif) et Vision Transformer (ViT) sur un ensemble de données d'images d'histopathologie mammaire. La méthodologie assure une comparaison équitable en entraînant les deux architectures avec des prétraitements, des paramètres d'optimisation et des réglages de perturbation identiques.

1. Préparation des données : Le jeu de données a été stratifié en ensembles d'entraînement, de validation et de test. Les images ont été redimensionnées en 224x224, normalisées à l'aide des statistiques d'ImageNet, et augmentées par un retournement horizontal aléatoire.
2. Architecture des modèles :
   • DenseNet121 : Utilise une connectivité dense pour faciliter la réutilisation des caractéristiques et la propagation du gradient, se concentrant sur les contextes spatiaux locaux.
   • Vision Transformer (ViT-B/16) : Divise les images en patchs et utilise des mécanismes d'auto-attention pour modéliser les dépendances à longue portée et le contexte global.
3. Génération de l'explicabilité : SHAP (spécifiquement GradientExplainer) a été employé pour générer des cartes d'attribution visuelles pour les deux modèles, mettant en évidence les régions qui motivent la décision de classification.
4. Analyse de la stabilité : Pour évaluer la robustesse, les images d'entrée ont été soumises à trois types de perturbations : bruit gaussien, décalage de luminosité et mise à l'échelle du contraste.
5. Métriques quantitatives : La stabilité des explications a été mesurée à l'aide de :
   • Similitude Cosinus : Pour mesurer la cohérence directionnelle entre l'explication originale et l'explication perturbée.
   • Différence Absolue Moyenne (MAD) : Pour quantifier l'ampleur des changements dans les valeurs d'attribution.
   • Indice de similitude structurelle (SSIM) : Pour évaluer la similitude perceptuelle.
6. Validation statistique : Des tests t appariés et une analyse de la taille d'effet de Cohen's d ont été menés pour déterminer si les différences de stabilité observées entre les deux architectures étaient statistiquement significatives.

Principales contributions

• Étude comparative de la stabilité : Ce travail comble une lacune dans la littérature en comparant directement la stabilité de l'explication des architectures basées sur les CNN et sur les Transformers dans le contexte de l'histopathologie du sein, un domaine où de telles comparaisons sont rares.
• Évaluation par doubles métriques : L'étude va au-delà de la précision prédictive pour évaluer simultanément la performance de classification et la robustesse des sorties XAI sous les perturbations d'entrée.
• Rigueur statistique : Contrairement aux études précédentes qui peuvent reposer sur l'inspection visuelle ou des comparaisons à métrique unique, cette recherche emploie des tests statistiques rigoureux (tests t et analyse de la taille d'effet) pour valider la signification des différences de stabilité.
• Identification des compromis : Le document identifie et quantifie explicitement le compromis entre une haute précision de classification/explications localisées (DenseNet) et la cohérence de l'explication sous perturbation (ViT).

Résultats expérimentaux

• Performance de classification : DenseNet121 a surpassé le Vision Transformer en termes de métriques prédictives, atteignant une précision de 91 % et une AUC-ROC de 0,965, contre 89 % de précision et 0,948 d'AUC-ROC pour le ViT. DenseNet121 a également démontré une sensibilité et un rappel plus élevés pour les échantillons malins, ce qui est critique pour minimiser les faux négatifs dans le diagnostic médical.
• Localisation de l'explication : DenseNet121 a produit des cartes d'attribution plus cohérentes spatialement et plus localisées, s'alignant étroitement avec les structures tissulaires diagnostiquement pertinentes. En revanche, les explications du ViT étaient plus distribuées, reflétant son mécanisme d'attention globale.
• Stabilité sous perturbation : Le Vision Transformer a démontré une stabilité d'explication supérieure. Il a obtenu des valeurs de similitude cosinus (0,261 contre 0,218) et de SSIM (0,667 contre 0,509) plus élevées, ainsi qu'un MAD plus faible (0,00044 contre 0,00138) par rapport à DenseNet121. Cela indique que les explications du ViT sont restées plus cohérentes lorsque les images d'entrée ont été altérées par du bruit ou des changements de contraste.
• Signification statistique : La différence de stabilité d'explication entre les deux modèles s'est avérée statistiquement significative (p < 0,001), avec un effet de taille de Cohen's d de -0,341, confirmant que l'avantage de stabilité observé du ViT n'est pas dû au hasard.

Signification et affirmations
L'article soutient que les systèmes d'IA médicale dignes de confiance doivent être évalués à la fois sur la précision de la classification et sur la fiabilité de leurs explications. Les résultats soulignent un compromis critique : alors que DenseNet121 offre une précision diagnostique et une interprétabilité localisée supérieures, le Vision Transformer fournit des explications plus robustes et cohérentes en présence de variations d'entrée.

Les auteurs concluent que, pour le support à la décision clinique, se fier uniquement à la précision est insuffisant. Les futurs cadres d'IA médicale doivent incorporer la stabilité des explications comme une métrique centrale. L'étude suggère que le choix de l'architecture doit dépendre de l'exigence clinique spécifique : si la priorité est la sensibilité diagnostique maximale, DenseNet121 est préférable ; si la priorité est de maintenir une interprétabilité cohérente malgré les incohérences d'imagerie mineures (fréquentes dans les scénarios réels), le Vision Transformer offre un avantage distinct. Ce travail souligne la nécessité d'une évaluation holistique des systèmes d'IA pour garantir qu'ils sont non seulement précis, mais aussi cliniquement fiables et dignes de confiance.