Automated Genomic Interpretation via Concept Bottleneck Models for Medical Robotics

1. Il Problema

L'integrazione dell'intelligenza artificiale nei sistemi robotici medici e nell'automazione clinica (es. triage, gestione dei campioni, supporto decisionale intra/post-operatorio) è ostacolata dalla natura "black-box" dei modelli di deep learning end-to-end. In contesti critici per la sicurezza, la mancanza di trasparenza e di ragionamenti intermedi verificabili mina la fiducia dei clinici.
Nello specifico, l'analisi del DNA richiede non solo risultati diagnostici, ma anche spiegazioni biologicamente significative (es. motivi di sequenza, composizione nucleotidica). Le attuali soluzioni di IA spiegabile (XAI) si concentrano principalmente sulle immagini mediche, trascurando i dati sequenziali come il DNA. Inoltre, le spiegazioni fornite sono spesso trattate come output finali piuttosto che come input per decisioni azionabili all'interno di pipeline robotiche.

2. Metodologia

Il paper propone un modulo di interpretazione genomica automatizzata che trasforma le sequenze di DNA grezze in decisioni interpretabili e azionabili. L'architettura si basa su un approccio ibrido che combina rappresentazioni visive e modelli a imbuto di concetti (Concept Bottleneck Models - CBM).

A. Preprocessing: Chaos Game Representation (CGR)

Le sequenze di DNA simboliche ($A, C, G, T$) vengono prima convertite in immagini bidimensionali fisse utilizzando la Chaos Game Representation (CGR).

• Ogni nucleotide è mappato a un vertice di un quadrato unitario.
• Una traiettoria frattale viene generata iterativamente e rasterizzata in un'immagine (es. $256 \times 256$ pixel) tramite stima della densità del kernel.
• Questo metodo è alignment-free (non richiede allineamento di sequenze), computazionalmente efficiente e trasforma i dati genomici in un formato adatto alle CNN.

B. Architettura del Modello: Concept Bottleneck Model (CBM)

Il flusso di dati segue una catena di ragionamento vincolata:

1. Encoder: Un backbone CNN codifica l'immagine CGR in feature latenti ($z$).
2. Imbuto dei Concetti (Bottleneck): Le feature latenti vengono mappate su un vettore di concetti interpretabili ($\hat{c}$) tramite un layer di regressione. I concetti includono attributi biologici calcolabili come:
   • Contenuto GC.
   • Densità CpG.
   • Frequenze di k-mer.
3. Classificatore: La previsione finale della classe (es. sottotipo virale) è derivata esclusivamente dal vettore dei concetti $\hat{c}$, garantendo che il ragionamento sia trasparente e verificabile.

C. Supervisione e Regularizzazione

Per garantire che i concetti appresi siano biologicamente fedeli e non solo correlazioni spurie, il modello utilizza diverse strategie di regolarizzazione:

• Fidelity Supervision: Loss di regressione per allineare i concetti predetti ai valori reali calcolati deterministicamente dalle sequenze.
• Prior-Consistency Alignment: Penalizza i pesi del classificatore che violano le relazioni monotone note (es. un alto contenuto GC non dovrebbe ridurre il rischio se biologicamente associato a un aumento).
• KL Distribution Matching: Un'unità ausiliaria allena il modello a mantenere la distribuzione delle probabilità dei concetti coerente con quella delle feature latenti, preservando l'informazione discriminativa.
• Calibrazione dell'Incertezza: Utilizzo di Temperature Scaling e calcolo dell'entropia predittiva per stimare la confidenza del modello.

D. Layer di Raccomandazione Cost-Aware

L'ultimo componente trasforma le previsioni e l'incertezza in politiche decisionali.

• Definisce una funzione di utilità che bilancia il costo dell'azione (es. "conferma", "revisione", "ripeti test"), il rischio basato sui concetti e l'incertezza del modello.
• Ottimizza una perdita di ranking pairwise per allineare le raccomandazioni automatizzate alle preferenze degli esperti clinici, riducendo i falsi positivi e i test ridondanti.

3. Contributi Chiave

1. Integrazione CGR-CBM per il DNA: Prima applicazione che combina la rappresentazione visiva CGR con i CBM per l'analisi di sequenze genomiche, creando un framework di percezione interpretabile a livello molecolare.
2. Ottimizzazione Congiunta: Una strategia di training che minimizza simultaneamente la perdita di classificazione e la perdita di coerenza dei concetti, preservando l'accuratezza mentre migliora l'affidabilità delle spiegazioni.
3. Interfaccia Spiegabile-Azionabile: Un'interfaccia che traduce il processo decisionale del modello in evidenze comprensibili per i clinici, permettendo ai robot di spiegare il proprio ragionamento.
4. Layer di Raccomandazione: Un modulo che chiude il ciclo tra percezione spiegabile e decisioni eseguibili, ottimizzando il trade-off costo-beneficio per l'automazione medica.

4. Risultati Sperimentali

Il sistema è stato valutato su due dataset: un dataset interno di geni gag dell'HIV e il database pubblico LANL HIV Sequence Database.

• Performance di Classificazione: Il modello proposto ha raggiunto lo stato dell'arte (SOTA), superando baselines come XGBoost, SVM, CNN standard e Logistic Regression.
  • Accuratezza: 0.99 (vs 0.98 delle migliori baselines).
  • F1 Score: 0.85.
  • AUROC: 0.93.
• Qualità della Predizione dei Concetti: Il modello dimostra una fedeltà superiore nel recuperare segnali biologici rispetto a varianti CBM esistenti (Vanilla, Post-hoc, AdaCBM).
  • Per il contenuto GC: $R^2 = 0.874$ (vs 0.785 di AdaCBM).
  • Per la densità CpG (un segnale rumoroso ma critico): $R^2 = 0.615$ (un miglioramento del 75% rispetto ad AdaCBM).
• Fedeltà (Faithfulness): I concetti appresi sono sufficienti a sostenere l'accuratezza della classificazione (sufficiency > 85%) e la loro rimozione causa un calo significativo delle prestazioni (necessity), confermando che non sono semplici correlazioni superficiali.
• Decisioni Cliniche: Il layer di raccomandazione riduce il tasso di test ripetuti non necessari (da ~24.5% a ~19.8%) mantenendo un'alta sensibilità e un errore di calibrazione (ECE) basso (< 0.05).

5. Significato e Impatto

Questo lavoro colma il divario tra la modellazione genomica interpretabile e il processo decisionale automatizzato.

• Affidabilità Robotica: Fornisce una base solida per integrare l'analisi genomica nei sistemi robotici medici, permettendo ai robot di prendere decisioni basate su evidenze biologiche verificabili e non su "scatole nere".
• Efficienza Clinica: Riduce il carico di lavoro manuale e i costi associati a test ridondanti attraverso raccomandazioni calibrate e consapevoli dei costi.
• Generalizzabilità: Sebbene testato sull'HIV, il framework è agnostico rispetto alla malattia e può essere applicato ad altri compiti genomici (es. varianti SARS-CoV-2, tipizzazione batterica), rendendolo un componente fondamentale per la medicina genomica automatizzata e il futuro della robotica assistiva in ambito clinico.