TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift

Riepilogo Tecnico: TRACE-seg3D

Problematica
I modelli di segmentazione di immagini mediche spesso raggiungono prestazioni elevate nei benchmark (ad esempio, punteggi Dice), ma falliscono silenziosamente quando vengono implementati su dati provenienti da scanner, protocolli o istituzioni differenti. Questi "cambiamenti di contesto" (context shifts) alterano l'aspetto dell'immagine senza cambiare la lesione sottostante, causando l'utilizzo da parte dei modelli di indizi di disturbo (nuisance cues) anziché di prove reali della patologia. Le metriche di sovrapposizione convenzionali (Dice, HD95) non riescono a distinguere tra predizioni basate sulla lesione e quelle guidate da un contesto spurio, né rivelano se le sottoregioni tumorali predette (Tumore Intero, Nucleo Tumorale, Tumore con Presso Presenza di Contrasto) rispettino le necessarie gerarchie anatomiche. Questa mancanza di trasparenza ostacola la fiducia nel loro impiego clinico sotto distribuzione variabile (distribution shift).

Metodologia: TRACE-seg3D
Gli autori propongono TRACE-seg3D, un framework di auditing controfattuale del contesto progettato per produrre segmentazioni 3D di gliomi robuste, insieme a prove a livello di caso riguardanti la stabilità e la plausibilità anatomica. Il framework opera attraverso tre meccanismi allineati:

1. Fattorizzazione della Malattia/Contesto ancorata a Proxy (M1):
   Il modello utilizza un encoder-decoder 3D (stile MedNeXt) che estrae caratteristiche gerarchiche. Un bottleneck di caratteristiche viene sottoposto a global pooling per generare due vettori latenti: un latente della malattia ($z_d$) e un latente del contesto ($z_c$).

   • Separazione: $z_d$ è incoraggiato a codificare le prove della lesione, mentre $z_c$ codifica le variazioni di acquisizione e istituzionali.
   • Supervisione: Poiché le vere variabili causali non sono osservabili, il modello utilizza "ancore proxy deboli". $z_d$ è supervisionato da proxy della malattia (ad es. volume della lesione, carico tumorale), e $z_c$ da proxy del contesto (ad es. metadati del sito, statistiche di intensità o pseudo-proxy derivati dalla geometria dell'immagine).
   • Regolarizzazione: Obiettivi avversari e vincoli di ortogonalità impediscono la fuga di informazioni tra i due fattori, assicurando che $z_d$ non codifichi il contesto e viceversa. Questi latenti modulano le caratteristiche del decoder tramite strati FiLM.

2. Trasporto di Contesto Controfattuale (CCT) (M2):
   Per verificare la stabilità della predizione, il framework esegue interventi latenti.

   • Processo: Per un caso target, il latente della malattia ($z_d$) viene mantenuto fisso, mentre il latente del contesto ($z_c$) viene sostituito con campioni prelevati da un "support bank" di latenti di contesto provenienti da altri casi di addestramento.
   • Output: Il modello genera molteplici predizioni sotto questi contesti controfattuali. Calcola una predizione di consenso ($p^{cct}$) e una mappa di instabilità voxel-wise ($u^{cct}$), che quantifica la varianza delle predizioni attraverso i contesti trasportati.
   • Gating di Stabilità: Una maschera di gating della stabilità ($p^{gate}$) viene prodotta sopprimendo le regioni in cui l'instabilità supera una soglia, segnalando le predizioni che sono altamente sensibili ai cambiamenti di contesto.

3. Prior Strutturale Consapevole dell'Anatomia (M3):
   Riconoscendo che il Tumore con Presenza di Contrasto (ET) è piccolo e incline a falsi positivi sotto shift di dominio, il framework impone la gerarchia anatomica $ET \subseteq TC \subseteq WT$.

   • Meccanismo: Un operatore strutturale ($\Pi_{anat}$) rimuove i componenti isolati di ET che mancano di un supporto sufficiente dalle regioni del Nucleo Tumorale (TC) o del Tumore Intero (WT).
   • Audit: Il sistema riporta il volume dei componenti ET rimossi e la preservazione delle regioni TC/WT, fornendo una misura della plausibilità anatomica.

Contributi Chiave

• Prospettiva Causale: Il lavoro formalizza la segmentazione 3D dei gliomi sotto distribuzione variabile separando le prove della malattia, il contesto di imaging e la segmentazione anatomica, trattando quest'ultima come l'oggetto dell'audit.
• Framework Auditable: TRACE-seg3D è il primo a combinare la fattorizzazione ancorata a proxy con il Trasporto di Contesto Controfattuale per produrre non solo una maschera di segmentazione, ma una prova esplicita della sensibilità al contesto e della coerenza strutturale.
• Vincoli Anatomici: Integra un prior strutturale che impone la gerarchia nidificata del tumore, controllando specificamente i falsi positivi nella regione clinicamente critica del Tumore con Presenza di Contrasto (ET).

Risultati Sperimentali
Il framework è stato valutato sui dataset BraTS 2020 e UTSW-Glioma, testando le prestazioni sia in-distribution (ID) che cross-domain (Out-of-Distribution, OOD).

• Performance: TRACE-seg3D ha raggiunto risultati allo stato dell'arte sia in contesti ID che OOD. Ad esempio, nel trasferimento BraTS $\to$ UTSW, ha ottenuto un Dice score di 0.591 (rispetto a 0.567 del miglior baseline) e un HD95 di 4.558. Nel trasferimento UTSW $\to$ BraTS, ha raggiunto un Dice di 0.792.
• Ablation: La rimozione dei componenti (fattorizzazione, CCT o prior strutturale) ha costantemente degradato le prestazioni OOD e la qualità dell'audit, confermando che i guadagni derivano dal meccanismo integrato piuttosto che da un singolo passaggio di post-processing.
• Analisi delle Piccole Strutture: Il framework ha migliorato significativamente la precisione di ET e ridotto i falsi positivi (riduzione fino al 52.6% in contesti OOD) senza compromettere la segmentazione delle regioni tumorali più grandi (WT/TC).
• Utilità dell'Audit: Le mappe di instabilità hanno evidenziato con successo le regioni in cui le predizioni sono sensibili al contesto (ad es. bordi o piccoli focolai), fornendo una spiegazione visiva per potenziali fallimenti non rilevati dalle metriche standard.

Significato e Rivendicazioni
Il paper sostiene che TRACE-seg3D stabilisce l'auditing del contesto controfattuale come una via pratica verso una segmentazione di immagini mediche 3D trasparente e affidabile. Andando oltre le semplici metriche di sovrapposizione, il framework permette ai clinici di valutare perché una predizione potrebbe non essere affidabile (ad es. a causa della variazione dello scanner) e se le sottoregioni tumorali predette siano anatomicamente plausibili. Gli autori sottolineano che questo approccio migliora la robustezza sotto shift istituzionali senza sacrificare l'accuratezza in-distribution, offrendo un percorso verso l'IA "affidabile" (trustworthy AI) dove la dipendenza del modello da indizi di disturbo è esplicitamente misurata e mitigata. Il lavoro è di portata modesta, focalizzandosi sugli shift istituzionali delle risonanze magnetiche e sull'uso di latenti guidati da proxy piuttosto che rivendicare variabili causali completamente identificabili.