Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation

Riepilogo Tecnico: Modelli a Collo di Bottiglia Causali Guidati da Radiologi per l'Interpretazione delle Radiografie del Torace

Enunciato del Problema
I Modelli a Collo di Bottiglia di Concetti (CBM) mirano a migliorare l'interpretabilità nella diagnostica per immagini medica prevedendo concetti intermedi comprensibili all'uomo prima delle diagnosi finali. Tuttavia, i CBM esistenti in questo dominio presentano tre limitazioni principali:

1. Bias Discriminativo: La maggior parte tratta i concetti come caratteristiche predittive indipendenti (Concetto $\rightarrow$ Patologia), ignorando il processo generativo clinico sottostante in cui le malattie causano reperti osservabili (Patologia $\rightarrow$ Concetto).
2. Mancanza di Fondamento Clinico: Molti approcci si basano su concetti debolmente supervisionati o latenti che potrebbero non allinearsi con un ragionamento diagnostico significativo o con definizioni semantiche stabili.
3. Associazioni Spurie: Senza vincoli strutturali espliciti, i modelli addestrati su dataset medici rumorosi potrebbero apprendere correlazioni implausibili tra concetti e patologie che non riflettono la logica diagnostica del mondo reale.

Metodologia: XpertCausal
Gli autori propongono XpertCausal, un CBM causale guidato da radiologi per l'interpretazione delle radiografie del torace (CXR). L'architettura segue una pipeline in due fasi:

1. Previsione dei Concetti: Un backbone InceptionV3 (pre-addestrato su ImageNet) mappa le CXR di input in un vettore di 11 concetti curati clinicamente (es. "Opacità", "Cuore ingrandito") derivati dai referti radiologici tramite una pipeline di estrazione basata su regole.
2. Inferenza Causale della Patologia: A differenza dei CBM standard, XpertCausal modella la relazione nella direzione generativa (Patologia $\rightarrow$ Concetto) utilizzando un framework probabilistico noisy-OR.
   • Modello Generativo: La probabilità che un concetto $c_k$ sia presente dato un insieme di patologie $y$ è modellata come:
     $$P(c_k = 1 | y) = 1 - (1 - \lambda_k) \prod_{j: y_j=1} (1 - \eta_{jk})$$
     dove $\eta_{jk}$ è la forza di associazione tra la patologia $j$ e il concetto $k$, e $\lambda_k$ è un termine di perdita (leak).
   • Vincoli degli Esperti: La struttura del modello è vincolata da una matrice di associazione curata da radiologi. Questa matrice definisce le relazioni come Forti (2), Deboli (1) o Assenti (-), garantendo che esistano nel grafo causale solo percorsi clinicamente plausibili.
   • Inferenza Bayesiana: Durante l'inferenza, il modello generativo viene invertito per stimare le probabilità delle patologie dati i concetti previsti:
     $$P(y | c) = \frac{P(c | y) P(y)}{\sum_{y'} P(c | y') P(y')}$$
   • Generazione delle Spiegazioni: Le spiegazioni sono derivate classificando i concetti in base al loro contributo causale (rapporti di verosimiglianza logaritmica) alle patologie previste, piuttosto che alla sola fiducia nella previsione.

Contributi Chiave

1. Architettura Innovativa: Introduzione di XpertCausal, che combina colli di bottiglia di concetti interpretabili con una modellazione causale probabilistica delle malattie utilizzando un framework noisy-OR e un'inversione bayesiana.
2. Struttura Guidata dagli Esperti: Integrazione delle associazioni concetto-patologia definite dai radiologi come vincoli strutturali all'interno del grafo causale. Ciò impone un ragionamento fondato sulla clinica e previene l'apprendimento di dipendenze implausibili.
3. Valutazione Completa: Una rigorosa valutazione sul dataset MIMIC-CXR che confronta XpertCausal con una baseline non causale guidata da esperti (XpertXAI) e un modello causale di ablazione con associazioni apprese non vincolate (Causal (Learned)).

Risultati
Valutato sul dataset MIMIC-CXR (44.038 coppie CXR-referto), XpertCausal ha dimostrato prestazioni superiori su più metriche:

• Previsione della Patologia: XpertCausal ha ottenuto la più alta AUROC media macro (0,7968) e il punteggio F1 (0,7109), superando il non causale XpertXAI (AUROC 0,7361) e il modello Causal (Learned) non vincolato (AUROC 0,7631). Ha inoltre ottenuto la migliore calibrazione (Errore di Calibrazione Atteso di 0,0079).
• Qualità della Spiegazione: XpertCausal ha catturato la proporzione più alta di concetti ground-truth a basso $K$ (top 1-2 concetti), indicando che classifica in modo più affidabile i reperti clinicamente rilevanti come i più importanti.
• Fedeltà del Grafo: L'analisi dei pesi degli archi appresi ha mostrato che XpertCausal ha mantenuto una forte separazione tra le categorie "Forti", "Deboli" e "Assenti" definite dagli esperti. Al contrario, il modello Causal (Learned) non vincolato ha assegnato pesi non nulli ad associazioni "Assenti" (es. collegando "Pneumotorace" a "Insignificante"), riflettendo correlazioni spurie piuttosto che logica clinica.

Significato e Affermazioni
Il documento afferma che incorporare una struttura causale motivata clinicamente e conoscenza del dominio da parte di esperti nei CBM porta a modelli che non solo sono più accurati e meglio calibrati, ma anche più allineati con il ragionamento diagnostico umano. Modellando esplicitamente il processo generativo (Patologia $\rightarrow$ Concetto) e invertendolo tramite inferenza bayesiana, XpertCausal fornisce un framework in cui le spiegazioni sono legate al meccanismo causale della manifestazione della malattia piuttosto che alla mera correlazione statistica. Gli autori affermano che la struttura causale da sola è insufficiente nei dataset medici rumorosi; senza vincoli definiti dagli esperti, i grafi appresi rischiano di catturare artefatti specifici del dataset piuttosto che veri percorsi diagnostici.

Limitazioni
Gli autori riconoscono che lo studio attuale è limitato a uno spazio di concetti specifico (11 concetti) e a sei etichette target curati da un singolo radiologo. È proposto un lavoro futuro per espandere gli spazi dei concetti e delle patologie, incorporare relazioni aggiuntive tra esperti e validare la generalizzazione su dataset esterni e contesti di imaging.