Seeing What Shouldn't Be There: Counterfactual GANs for Medical Image Attribution

Riepilogo Tecnico: GAN Controfattuali per l'Attribuzione di Immagini Mediche

Enunciato del Problema
Il lavoro affronta la natura "scatola nera" dei modelli di deep learning, in particolare nella diagnostica per immagini medica (MID) critica per la sicurezza. Sebbene le tecniche di visualizzazione esistenti (ad es. CAM, Grad-CAM) evidenzino le regioni discriminative utilizzate dai classificatori, spesso non tengono conto di tutti gli oggetti osservabili e si basano su set di caratteristiche minimi, potenzialmente portando a spiegazioni fuorvianti. Inoltre, i metodi esistenti di Spiegazione Controfattuale (CX) generano spesso istanze controfattuali (CI) implausibili. Questi metodi sostituiscono tipicamente le regioni dell'immagine con valori arbitrari o richiedono dataset accoppiati (coppie input e controfattuali), raramente disponibili nei domini medici (ad es. una scansione sana dello stesso paziente esatto). La mancanza di CI semanticamente plausibili ostacola la capacità di fornire ragionamenti autoesplicativi basati su analogie (ad es. "se questo tumore non fosse presente, la scansione assomiglierebbe a X").

Metodologia
Gli autori propongono CX-GAN, un modello integrato basato sulle Reti Generative Avversariali (GAN) progettato per apprendere congiuntamente la generazione di CI plausibili e le corrispondenti Spiegazioni Controfattuali (CX) senza richiedere dati di addestramento accoppiati.

1. Architettura: Il modello utilizza un framework GAN a consistenza ciclica (CycleGAN) esteso con due generatori e due discriminatori:

   • Generatore $G$: Traduce un'immagine di input (ad es. anomala/tumorale) in un dominio controfattuale (ad es. normale/sano), producendo una CI plausibile.
   • Generatore $G_M$: Genera una Mappa di Cambiamento (la CX). Questa mappa rappresenta le differenze specifiche tra l'input e la CI generata. Quando aggiunta alla CI, ricostruisce l'input originale.
   • Discriminatori ($D_x, D_y$): Assicurano che le immagini e le mappe generate appartengano alle rispettive distribuzioni di dati reali.

2. Funzioni di Perdita: Il modello è ottimizzato utilizzando una funzione di perdita composita:

   • Perdita Avversariale ($L_{GAN}$): Garantisce che le CI e le mappe di cambiamento generate siano indistinguibili dai dati reali nei rispettivi domini.
   • Perdita di Consistenza Ciclica ($L_{cyc}$): Impone che la traduzione di un input in una CI e il ritorno (o l'aggiunta della mappa di cambiamento alla CI) ricostruiscano l'immagine originale, garantendo l'allineamento semantico e prevenendo trasformazioni irrilevanti.
   • Obiettivo Integrato: La perdita totale combina termini avversari, di mappa di cambiamento e di consistenza ciclica, permettendo alla rete di apprendere la traduzione e la spiegazione simultaneamente.

3. Progettazione della Rete: I generatori impiegano un'architettura U-Net superficiale con connessioni residue per preservare le informazioni di localizzazione e contesto, mentre i discriminatori utilizzano strutture CNN standard.

Contributi Chiave

• Generazione di CI Plausibili: Il lavoro pone e risolve il problema della generazione di istanze controfattuali semanticamente plausibili per immagini mediche senza richiedere dataset input-output accoppiati.
• Metodo CX Integrato: Propone un framework unificato che genera sia l'immagine controfattuale sia la specifica "mappa di cambiamento" (attribuzione) che spiega la differenza, evitando gli errori a cascata degli approcci in due fasi.
• Metrica di Valutazione: Viene introdotta una tecnica innovativa per valutare la qualità delle CI generate misurando i punteggi di "non somiglianza" tra le regioni originali e controfattuali, assicurando che i cambiamenti siano significativi.
• Benchmarking: Il metodo è stato valutato su dati sintetici, un dataset di radiografie toraciche per la tubercolosi e il dataset BraTS (Tumore Cerebrale), fornendo risultati di base rispetto a metodi esistenti come CAM, Grad-CAM e VA-GAN.

Risultati
Il CX-GAN proposto è stato valutato quantitativamente utilizzando punteggi Dice, Intersezione su Unione (IoU) e Correlazione Incrociata Normalizzata (NCC), nonché qualitativamente attraverso ispezione visiva.

• Dati Sintetici: CX-GAN ha ottenuto prestazioni superiori con un IoU del 91,4 e un punteggio Dice del 95,5, superando significativamente VA-GAN (IoU 87,2) e i metodi discriminativi (CAM/Grad-CAM).
• Dataset Medici: Sul dataset BraTS, CX-GAN ha ottenuto un IoU del 91,4 e un punteggio Dice del 94,0, superando VA-GAN (IoU 89,5, Dice 93,2). Sul dataset della tubercolosi, ha ottenuto un IoU del 74,73 e un Dice dell'81,47.
• Risultati Qualitativi: I risultati visivi indicano che i metodi discriminativi (CAM/Grad-CAM) evidenziano spesso regioni minime o eccessivamente ampie, mentre VA-GAN introduce rumore e falsi positivi a causa di mappature non allineate. Al contrario, CX-GAN produce mappe di cambiamento fini e prive di rumore che localizzano accuratamente le anomalie (ad es. tumori) generando al contempo controparti sane plausibili.

Significato e Affermazioni
Il lavoro afferma che accompagnare le CX con CI credibili fornisce spiegazioni autoesplicative basate su analogie cruciali per i professionisti medici. Generando un "come dovrebbe apparire" (CI) insieme al "come appare" (input) e alla "differenza" (CX), il metodo offre un processo di ragionamento causale ("se X non fosse accaduto, Y non sarebbe accaduto"). Gli autori sottolineano che questo approccio supera i limiti delle tecniche CX esistenti che producono istanze implausibili o richiedono dati accoppiati non disponibili, migliorando così l'interpretabilità e l'affidabilità dei modelli di deep learning nella diagnostica medica. Lo studio evidenzia anche i limiti dei metodi CX all'avanguardia attuali nella produzione di istanze plausibili, posizionando l'approccio GAN integrato proposto come un progresso necessario per applicazioni critiche per la sicurezza.