Sintesi Tecnica: Informazione di Fisher Dipendente dall'Input per l'Analisi della Sensibilità Locale di Classificatori di Immagini Mediche

Definizione del Problema

Le reti neurali profonde hanno raggiunto prestazioni elevate nella classificazione di immagini mediche, ma spesso operano come "scatole nere". Sebbene i metodi di interpretazione post-hoc (ad esempio, Grad-CAM, Integrated Gradients) siano ampiamente utilizzati per visualizzare le regioni associate agli output del modello, essi spesso si basano su quantità euristiche che variano tra diverse architetture e implementazioni. Fondamentalmente, queste mappe di attribuzione non forniscono sempre una caratterizzazione rigorosa di come la distribuzione predittiva di un classificatore risponda alle perturbazioni dell'input. È necessario uno strumento intrinseco al modello per analizzare la sensibilità decisionale locale senza richiedere una riprogettazione dell'architettura o supervisione aggiuntiva.

Metodologia

Gli autori propongono un framework di analisi della sensibilità locale basato sulla Matrice di Informazione di Fisher Dipendente dall'Input (iFIM). Questo approccio quantifica la sensibilità locale di un classificatore di immagini mediche rispetto a perturbazioni infinitesimali dell'immagine di input.

Framework Core

1. Definizione di iFIM: Per un classificatore addestrato $f_\theta$ e un'immagine di input $x$, la iFIM $F(x)$ è definita come il prodotto esterno atteso dei gradienti della distribuzione predittiva del logaritmo rispetto all'input:
   $$F(x) = \mathbb{E}_{y \sim p_\theta(\cdot|x)} [\nabla_x \log p_\theta(y|x) \nabla_x \log p_\theta(y|x)^\top]$$
   Questa matrice caratterizza come la distribuzione predittiva cambia localmente attorno a $x$.

2. Fattorizzazione della Matrice di Gram: La costruzione diretta della matrice di Fisher completa $d \times d$ (dove $d$ è il numero di pixel) è computazionalmente impraticabile per input su scala d'immagine. Gli autori utilizzano una formulazione della matrice di Gram per recuperare efficientemente lo spettro degli autovalori non nulli. Definendo una matrice $G(x)$ contenente i gradienti pesati delle classi, la iFIM è espressa come $F(x) = G(x)G(x)^\top$. Gli autovettori non nulli della matrice di Gram $K(x) = G(x)^\top G(x)$ molto più piccola (dove $C$ è il numero di classi) coincidono con quelli di $F(x)$. Ciò consente il calcolo trattabile dei principali autovettori.

3. Decomposizione dell'Immagine: L'immagine di input viene decomposta in due componenti ortogonali basate sulla struttura spettrale della iFIM:

   • Componente Sensibile al Task ($x_{sens}$): La proiezione dell'immagine sul sottospazio spaziato dagli autovettori principali della iFIM (associati ai maggiori autovalori). Questa componente corrisponde alle direzioni di alta sensibilità predittiva locale.
   • Componente Insensibile al Task ($x_{comp}$): Il complemento ortogonale, che contiene le direzioni a bassa sensibilità e le componenti dello spazio nullo.

   La decomposizione è definita come $x = x_{sens} + x_{comp}$. Gli autori sottolineano che queste sono proiezioni sulle direzioni di sensibilità, non necessariamente segmentazioni semantiche dell'anatomia.

Contributi Chiave

• Formulazione: Un framework informativo-teoretico che utilizza la iFIM per caratterizzare la sensibilità locale di un classificatore di immagini mediche addestrato alle perturbazioni dell'input.
• Efficienza Computazionale: Un metodo di fattorizzazione della matrice di Gram che recupera lo spettro degli autovettori della iFIM non nulla senza costruire la matrice di Fisher completa di dimensione d'immagine, consentendo l'applicazione a dati d'immagine ad alta dimensionalità.
• Definizione della Decomposizione: Una decomposizione basata sulla proiezione delle immagini di input in componenti ad alta sensibilità e componenti ortogonali a bassa sensibilità, con un'interpretazione chiarificata per contesti a basso rango (ad esempio, classificazione binaria).
• Valutazione: Valutazione completa attraverso compiti di classificazione di immagini mediche controllati e clinici utilizzando analisi basate sulla perturbazione e confronti tra molteplici architetture.

Risultati Sperimentali

Il framework è stato valutato su tre compiti:

1. OCT Retinico: Classificazione a tre classi (Normale, Drusen, CNV).
2. Radiografia del Torace: Rilevamento della cardiomegalia.
3. MRI Stilizzata: Compito SKS/BKS (Signal-known-statistically/background-known-statistically).

Risultati:

• Visualizzazione: In contesti MRI controllati, la componente sensibile al task si è concentrata attorno alle regioni di segnale note. Nei compiti clinici (OCT e radiografia del torace), le mappe sensibili al task si sono allineate con le regioni portatrici di patologia (ad esempio, strati retinici per Drusen/CNV, silhouette cardiaca per la cardiomegalia), mentre la componente insensibile ha catturato le variazioni di sfondo.
• Dipendenza dall'Architettura: La distribuzione spaziale della componente ad alta sensibilità variava tra le architetture VGG16 e ResNet18, anche quando entrambe raggiungevano prestazioni predittive simili. Ciò suggerisce che la iFIM rivela geometrie decisionali locali specifiche dell'architettura.
• Analisi della Perturbazione:
  • Perturbazione Contrastiva: Quando i pixel con alta magnitudo nella mappa iFIM task-sensibile sono stati perturbati (sostituiti con rumore), l'F1 score del classificatore è degradato significativamente di più rispetto alla perturbazione dei pixel della mappa task-insensibile. Il metodo basato su iFIM ha ottenuto un rapporto di degradazione delle prestazioni superiore rispetto ad altri metodi di attribuzione (varianti di DeepSHAP, Grad-CAM, ecc.).
  • Robustezza Adversariale: La mappa iFIM task-sensibile ha esibito la più bassa correlazione tra input puliti e perturbati in modo avversariale (avvicinandosi allo zero per i compiti OCT e radiografia del torace), indicando che la rappresentazione è altamente sensibile alle perturbazioni che alterano la decisione.

Significato e Rivendicazioni

L'articolo sostiene che il framework iFIM funga da strumento rigoroso per analizzare la sensibilità decisionale locale nei classificatori di immagini mediche. A differenza delle convenzionali mappe di calore di attribuzione che offrono punteggi di importanza pixel per pixel, la iFIM fornisce una descrizione geometrica e intrinseca al modello di come le perturbazioni vicino a un dato input influenzino la distribuzione predittiva.

Gli autori affermano che:

1. Le componenti iFIM ad alta sensibilità sono più fortemente accoppiate ai cambiamenti nella confidenza predittiva e nelle prestazioni di classificazione rispetto alle componenti a bassa sensibilità.
2. Il framework integra i metodi esistenti di interpretabilità basati sull'attribuzione piuttosto che sostituirli, offrendo una prospettiva diversa focalizzata sulla struttura della sensibilità locale della distribuzione predittiva.
3. Il metodo consente l'analisi di classificatori standard addestrati senza modificare l'architettura del modello.

Gli autori rimangono modesti riguardo alle rivendicazioni semantiche o causali, notando che, sebbene la decomposizione si allinei con strutture di segnale note in contesti controllati e con la patologia in contesti clinici, forti affermazioni sulla rilevanza semantica o causale del task richiederebbero la validazione rispetto a standard di riferimento indipendenti (ad esempio, annotazioni di esperti). Il contributo primario è la caratterizzazione della sensibilità predittiva locale.