Bias-Aware Conformal Prediction for Metric-Based Imaging Pipelines

Sintesi Tecnica: Conformal Prediction Sensibile al Bias per Pipeline di Imaging Basate su Metriche

Definizione del Problema
Nelle pipeline di imaging medico, le decisioni cliniche ad alto rischio spesso si basano su metriche quantitative a valle (ad es. volume tumorale, dose d'organo) derivate dalle immagini ricostruite. Sebbene la Conformal Prediction (CP) offra un framework robusto e distribution-free per generare intervalli di predizione calibrati, le formulazioni standard di CP affrontano una sfida critica in questo dominio: il bias sistematico.

Gli algoritmi di ricostruzione delle immagini sono tipicamente ottimizzati per perdite pixel-wise, che spesso non corrispondono agli obiettivi delle metriche a valle. Questo disallineamento introduce deviazioni sistematiche tra le metriche predette e i valori reali (bias). Il documento sostiene che, mentre l'impatto del bias è ampiamente studiato nella statistica classica, esso rimane poco esplorato nella letteratura sulla CP. Nello specifico, le formulazioni esistenti potrebbero produrre intervalli di predizione inefficienti (eccessivamente ampi) in presenza di bias, compromettendo l'utilità delle misure di confidenza senza necessariamente invalidare le garanzie di copertura.

Metodologia e Analisi Teorica
Gli autori formalizzano il comportamento delle formulazioni di CP simmetriche e asimmetriche in presenza di un bias additivo ($b$). Analizzano due comuni punteggi di non-conformità:

1. Residui Assoluti ($L_1$): dove il punteggio è la differenza assoluta tra predizione e valore reale.
2. Basato sui Quantili (CQR): dove i punteggi derivano dai quantili empirici della distribuzione della predizione.

Lo studio assume predizioni influenzate da bias della forma $\hat{Y}^b_i = \hat{Y}^0_i + b$, dove $b$ è un bias scalare additivo. Sfruttando l'equivarianza per traslazione degli operatori dei quantili empirici, gli autori derivano le seguenti proprietà teoriche:

• Intervalli Simmetrici: Per le formulazioni simmetriche, i limiti dell'intervallo si espandono equamente in entrambe le direzioni. Gli autori dimostrano che il limite superiore sulla lunghezza dell'intervallo aumenta linearmente con l'entità del bias. Nello specifico, $L_{sym}(\hat{Y}^b_{n+1}) \leq L_{sym}(\hat{Y}^0_{n+1}) + 2|b|$. Ciò indica che gli intervalli simmetrici sono gonfiati da un fattore pari a due volte l'entità del bias.
• Intervalli Asimmetrici: Per le formulazioni asimmetriche, dove i limiti inferiore e superiore sono regolati in modo disuguale, gli autori dimostrano che la lunghezza dell'intervallo è invariante rispetto a un bias additivo costante. Grazie all'equivarianza per traslazione delle funzioni di regolazione e degli operatori dei quantili, il bias sposta sia il limite inferiore che quello superiore in modo identico, annullandosi nel calcolo dell'ampiezza dell'intervallo. Pertanto, $L_{asym}(\hat{Y}^b_{n+1}) = L_{asym}(\hat{Y}^0_{n+1})$.
• Condizione di Efficienza: Il documento deriva una condizione (Corollario 1) sotto la quale gli intervalli asimmetrici diventano più efficienti (più brevi) rispetto a quelli simmetrici in presenza di bias. Se la lunghezza asimmetrica influenzata dal bias è più breve della lunghezza simmetrica influenzata dal bias, ciò implica che $2|b| \geq L^0_{asym} - L^0_{sym}$. Questo suggerisce che quando il bias è significativo, può superare la tendenza intrinseca degli intervalli asimmetrici ad essere più ampi di quelli simmetrici in scenari privi di bias.

Validazione Sperimentale
I risultati teorici sono stati validati empiricamente utilizzando una pipeline di ricostruzione CT a vista sparsa per la pianificazione della radioterapia (RT).

• Configurazione: Gli autori hanno simulato una pipeline utilizzando Neural Attenuation Fields (NAF) per la ricostruzione da proiezioni cone-beam CT sparse. Hanno generato 10 ricostruzioni probabilistiche per paziente per 40 pazienti, creando un dataset con bias sistematici (ad es. sovrastima costante dei volumi d'organo).
• Metriche: Lo studio ha valutato varie metriche di pianificazione RT, inclusi il volume del cuore, i volumi polmonari e le metriche di dose (ad es. Heart D35, Right Lung V20).
• Risultati:
  • Gli esperimenti hanno confermato che il bias indotto dalla pipeline è misurabile e varia significativamente tra diverse metriche.
  • Proposizione 1 & 2: I limiti teorici riguardanti l'inflazione degli intervalli simmetrici e l'invarianza degli intervalli asimmetrici si sono mantenuti validi il 100% delle volte su 100 split casuali di calibrazione-test.
  • Corollario 1: La condizione euristica per scegliere formulazioni asimmetriche in base all'entità del bias si è dimostrata corretta il 98,6% delle volte.
  • Efficienza: In scenari con bias significativo, le formulazioni asimmetriche hanno prodotto intervalli più stretti rispetto a quelle simmetriche, mantenendo il tasso di copertura target ($\alpha=0.1$).

Contributi Chiave e Significato
Il documento apporta tre contributi primari:

1. Formalizzazione degli Effetti del Bias: Fornisce un framework teorico dimostrando che gli intervalli CP simmetrici sono gonfiati da $2|b|$ in presenza di bias, mentre gli intervalli asimmetrici rimangono invariati.
2. Euristica di Selezione: Stabilisce una condizione formale (Corollario 1) che permette ai professionisti di determinare quando le formulazioni asimmetriche forniranno intervalli più efficienti rispetto a quelle simmetriche, basandosi sull'entità del bias rispetto allo skew intrinseco della distribuzione dell'errore.
3. Validazione Empirica in Contesti Clinici: Valida queste teorie su un compito di ricostruzione CT a vista sparsa, uno scenario critico in contesti clinici a basse risorse dove gli artefatti e i bias di ricostruzione sono prevalenti.

Significato
Gli autori concludono che il loro lavoro consente agli utenti delle pipeline di imaging medico di selezionare proattivamente le formulazioni CP ottimali. Tenendo conto del bias, i professionisti possono migliorare l'efficienza (stretezza) degli intervalli di predizione per le metriche critiche a valle senza sacrificare la validità della copertura. Ciò affronta una lacuna nella letteratura sulla CP in cui l'interazione tra il bias indotto dalla ricostruzione e l'efficienza dell'intervallo era precedentemente inesplorata, aprendo la strada a una quantificazione dell'incertezza "sensibile al bias" nell'imaging medico.