Latent Space Analysis for Interpretable Uncertainty in Melanoma Classification

Sintesi Tecnica: Analisi dello Spazio Latente per l'Incertezza Interpretabile nella Classificazione del Melanoma

Definizione del Problema
Il melanoma è un tumore cutaneo altamente aggressivo dove la diagnosi precoce è critica per la sopravvivenza del paziente. Sebbene il deep learning abbia fatto progressi nella classificazione delle lesioni cutanee, i modelli standard operano spesso come "black box" inspiegabili. Questi modelli faticano a comunicare in modo trasparente l'incertezza diagnostica, in particolare nei casi limite in cui le lesioni condividono caratteristiche morfologiche sia di nevi (NV) che di melanomi (MEL). Questa mancanza di interpretabilità limita la fiducia clinica e ostacola l'integrazione efficace degli strumenti automatizzati nei flussi di lavoro diagnostici, dove comprendere il "perché" dietro una previsione è importante quanto la previsione stessa.

Metodologia
Gli autori propongono un framework ibrido che trascende la semplice classificazione binaria, sfruttando uno spazio latente generativo strutturato per il supporto decisionale interpretabile. La metodologia consiste in tre componenti primarie:

1. Class-Aware Adversarial Variational Autoencoder (VAE-GAN):

   • Architettura: Il modello impiega una struttura encoder-decoder. L'encoder mappa le immagini di input (128×128×3) in uno spazio latente continuo a 256 dimensioni, restituendo un vettore di media ($\mu$) e una log-varianza ($\log(\sigma^2)$). Viene utilizzata la tecnica di riparametrizzazione ($z = \mu + \sigma \odot \epsilon$) per garantire la differenziabilità.
   • Addestramento Adversarial: Per superare la tendenza dei VAE standard a produrre ricostruzioni sfocate, viene integrato un discriminatore. Questa componente adversariale costringe il decoder a preservare i dettagli morfologici ad alta frequenza critici per la valutazione dermatologica.
   • Consapevolezza della Classe (Class Awareness): Un MLP (Multi-Layer Perceptron) ausiliario è collegato alla media latente ($\mu$) per imporre un raggruppamento (clustering) discriminativo per classe (MEL vs. NV) durante l'addestramento.
   • Funzione di Perdita: Il modello è ottimizzato tramite una funzione di perdita multi-obiettivo: $L_{total} = L_{recon} + \lambda_{KL}L_{KL} + \lambda_{clf}L_{clf} + \lambda_{adv}L_{adv}$. Questa bilancia la qualità della ricostruzione, la regolarizzazione dello spazio latente, l'accuratezza della classificazione e il realismo adversariale.

2. Estrazione delle Caratteristiche Latenti e Classificazione:

   • Post-addestramento, l'encoder funge da estrattore di caratteristiche deterministico, restituendo il vettore di media latente $\mu$ (omettendo il termine di rumore stocastico) per ogni immagine.
   • Questi vettori a 256 dimensioni vengono standardizzati e inseriti in tre classificatori: Support Vector Machine (SVM), Random Forest (RF) e XGBoost.
   • Gli iperparametri sono stati ottimizzati tramite Grid Search con cross-validazione a 3 fold, ottimizzando il macro-averaged F1-score. XGBoost è stato selezionato come classificatore finale.

3. Incertezza Interpretabile tramite Content-Based Image Retrieval (CBIR):

   • Inveve di fornire solo un'etichetta binaria, il classificatore XGBoost restituisce un punteggio di probabilità continuo ($p \in [0, 1]$).
   • Per i casi con alta incertezza (punteggi vicini al 50%), il framework attiva un sistema CBIR. L'immagine di query viene proiettata nello spazio latente e i $k$ vicini più prossimi (basati sulla distanza Euclidea) vengono recuperati dall'archivio di addestramento.
   • Ciò consente ai clinici di confrontare visivamente una lesione ambigua con precedenti storici confermati da biopsia, fornendo un contesto basato sull'evidenza.

Contributi Chiave

• Cambio di Paradigma: Il lavoro riutilizza la formulazione generativa dei VAE non per la sintesi di immagini, ma per distillare caratteristiche cliniche in uno spazio latente continuo e semanticamente strutturato.
• Incertezza Interpretabile: Il framework traduce esplicitamente l'esitazione algoritmica in uno strumento di supporto decisionale visivo. Recuperando casi storici morfologicamente simili per le previsioni borderline, esso colma il divario tra prestazioni predittive e fiducia clinica.
• Architettura Ibrida: L'integrazione di un VAE adversariale con un classificatore ausiliario e un albero potenziato dal gradiente (XGBoost) crea un sistema che è robusto allo sbilanciamento delle classi pur mantenendo una topologia strutturata per il recupero.

Risultati
Il framework è stato valutato sul dataset ISIC 2019, concentrandosi sulla classificazione binaria di Nevi (12.875 addestramento, 2.495 test) e Melanomi (4.522 addestramento, 1.327 test).

• Performance Predittiva: Il modello VAE+XGBoost ha raggiunto un'accuratezza dell'81,26%, una precision macro-media di 0,79, un recall di 0,80 e un F1-score di 0,80. Ha ottenuto un AUC di 0,8689.
• Confronto con i Baseline: Sebbene modelli convoluzionali end-to-end come ResNet50 e DenseNet121 abbiano raggiunto AUC leggermente superiori (~0,90) e F1-score più alti (0,83), il framework proposto è competitivo, superando ConvNeXt-T (AUC 0,66) e seguendo da vicino EfficientNetV2 (AUC 0,88). Gli autori osservano che la leggera riduzione nelle metriche predittive grezze è un compromesso deliberato per l'interpretabilità.
• Efficacia del Recupero: Il sistema CBIR ha dimostrato una forte coerenza semantica. Per le query generali, ha raggiunto una Mean Precision@5 (mP@5) del 72,0% e una Top-5 Accuracy del 93,9%. Fondamentalmente, per le vere query di melanoma (la classe minoritaria), il sistema ha raggiunto una mP@5 del 44,7%, superando significativamente il recupero casuale e fornendo un meccanio di "red flag" validato per i clinici.

Significatività e Rivendicazioni
Il paper sostiene che la sua importanza primaria risieda nel superamento del paradigma della "black box". Utilizzando uno spazio latente continuo, il sistema non si limita a classificare le lesioni, ma fornisce un meccanismo per visualizzare perché una classificazione è incerta. Il recupero di precedenti storici confermati da biopsia per i casi borderline offre un duplice beneficio: aiuta il clinico a finalizzare una diagnosi attraverso il confronto visivo e funge da sistema di allerta precoce per le lesioni che condividono caratteristiche sia di nevi che di melanomi. Gli autori concludono che questo approccio aumenta la fiducia diagnostica umana mantenendo il clinico "nel loop", offrendo un supporto visivo trasparente ed basato sull'evidenza piuttosto che imporre una cieca previsione binaria. Il lavoro futuro prevede di espandere il framework alla diagnosi multi-classe (inclusi BCC e BKL) ed esplorare varianti avanzate dello spazio latente come la $\beta$-VAE per un migliore disaccoppiamento (disentanglement) delle caratteristiche.