Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

Immagina di cercare di insegnare a un computer a riconoscere un tipo specifico di oggetto, come un uccello raro o una macchia difficile su una camicia, guardando semplicemente una fotografia. Nel mondo dell'intelligenza artificiale, questo è chiamato classificazione di immagini. Per molto tempo, i computer sono stati molto bravi in questo compito osservando minuscoli punti di colore (pixel) e imparando come si dispongono per formare delle forme. Ma c'è un problema: gli oggetti del mondo reale, specialmente in medicina come le macchie sulla pelle, non sono solo ammassi casuali di pixel. Hanno una struttura. Le parti di un neo o di una lesione "parlano" tra loro; il bordo di una macchia è correlato al suo centro.

Per aiutare i computer a comprendere queste relazioni, gli scienziati usano qualcosa chiamato "bias induttivo". Pensalo come un insieme di regole o un suggerimento che diamo al computer su come funziona il mondo. Un modo per farlo è l'apprendimento "implicito", dove il computer capisce le connessioni da solo guardando milioni di immagini, un po' come impari a riconoscere il volto di un amico senza che ti venga detto esattamente quali caratteristiche siano importanti. Un altro modo è l'apprendimento "esplicito", dove disegniamo letteralmente una mappa per il computer, mostrandogli quali parti dell'immagine sono vicine e dovrebbero essere confrontate. Questo articolo esplora cosa succede quando combiniamo questi due approcci: lasciare che il computer impari le basi da solo e poi dargli una mappa specifica per aiutarlo a collegare i puntini ancora meglio. L'obiettivo? Rendere la diagnosi medica più accurata, il che è fondamentale perché i medici hanno bisogno di ogni possibile vantaggio per individuare le malattie precocemente.

La storia del documento: Insegnare a un computer a "parlare" con se stesso

Questo articolo parla di un team di ricercatori che voleva vedere se potesse rendere un computer più intelligente nel diagnosticare lesioni cutanee (macchie sulla pelle che potrebbero essere cancerose) mescolando due modi diversi di pensare. Hanno allestito un piccolo esperimento per vedere se un computer potesse migliorare nel suo lavoro imparando prima a comprendere la "vibrazione" di un'immagine da solo e poi costringendolo a "chattare" esplicitamente con diverse parti di quell'immagine.

Per prima cosa, hanno dato al computer una sessione di addestramento "auto-supervisionato". Immagina di avere un puzzle, ma copri metà dei pezzi e chiedi a qualcuno di indovinare cosa c'è sotto basandosi sui pezzi che può vedere. Il computer ha fatto qualcosa di simile: ha guardato l'immagine di una lesione cutanea, ha nascosto alcune parti e ha cercato di ricostruire le parti mancanti. Questo ha insegnato al computer a comprendere le relazioni locali tra piccoli quadrati (chiamati "patch") dell'immagine senza che un essere umano dovesse dirgli cos'era la malattia. Questa è la parte implicita — imparare le regole del gioco giocando.

Successivamente, hanno preso quelle "vibrazioni" apprese (embedding) e hanno cercato di classificare le macchie cutanee. Sono partiti con un metodo standard in cui il computer guarda semplicemente tutti i patch e vota su quale debba essere la diagnosi. Questo era il loro baseline, e funzionava piuttosto bene, ottenendo un'accuratezza "bilanciata" del 76,17% su un set di test (ISIC-2018). Ma i ricercatori non avevano finito. Volevano vedere se potevano fare meglio aggiungendo la parte esplicita: una mappa.

Hanno organizzato i patch in diversi "grafi", che sono solo reti sofisticate dove i punti (i patch) sono collegati da linee (relazioni). Hanno provato tre tipi di mappe:

1. Random (Casuale): Collegare i patch a vicini casuali, come una chat di gruppo caotica.
2. Grid (Griglia): Collegare i patch solo ai loro vicini immediati, come un isolato cittadino dove parli solo con le case accanto alla tua.
3. k-Nearest Neighbors (kNN): Collegare i patch a quelli che sembrano più simili tra loro, indipendentemente da dove si trovino nell'immagine, come un club dove frequenti solo persone che hanno gli stessi hobby.

Hanno poi utilizzato un tipo speciale di rete neurale (una Graph Neural Network) per permettere a questi patch di "passarsi messaggi" tra loro lungo le linee della loro mappa prima di prendere una decisione finale.

Cosa hanno scoperto

I risultati sono stati piuttosto chiari. Il computer che guardava semplicemente i patch e votava (il baseline) otteneva un'accuratezza del 76,17%. Quando hanno aggiunto l'apprendimento "implicito" (la ricostruzione auto-supervisionata), questa è salita al 77,12%. Ma la vera magia è avvenuta quando hanno aggiunto le mappe esplicite.

Il miglior performer è stato il Grid Graph combinato con un tipo specifico di rete di passaggio di messaggi chiamato Graph Attention Network (GAT). Questa configurazione, che costringeva il computer a rispettare la disposizione fisica della lesione cutanea, ha aumentato l'accuratezza al 79,27%. È un miglioramento solido! Su un secondo dataset, più grande (ISIC-2019), la stessa strategia di mescolare l'apprendimento implicito con un grafo kNN (collegando i patch simili) ha spinto l'accuratezza al 60,67%, superando la versione con solo apprendimento implicito che si attestava al 59,84%.

I ricercatori hanno anche testato uno scenario "e se": cosa succederebbe se il computer non potesse imparare dai messaggi e usasse solo una mappa fissa e preimpostata? Quando hanno "congelato" la parte di apprendimento della rete a grafo, le prestazioni sono crollate al 34,28%. Questo suggerisce che il computer ha bisogno di imparare attivamente come i patch si relazionano tra loro; non basta avere la mappa. È il processo di apprendimento stesso che fa la differenza.

Perché è importante

L'articolo suggerisce che la "formula segreta" non è solo avere più dati o computer più grandi, ma come si collegano i puntini. Combinando la capacità di un computer di imparare i pattern da solo (implicito) con un modo strutturato per confrontare diverse parti di un'immagine (esplicito), hanno creato un sistema che è più accurato di molti metodi precedenti. Infatti, il loro singolo modello ha ottenuto prestazioni quasi pari a quelle di alcuni massicci metodi "ensemble" che combinano le previsioni di fino a 90 modelli complessi differenti.

Gli autori concludono che questo approccio è un modo promettente per gestire le immagini mediche, dove la relazione tra le diverse parti di una lesione è cruciale. Hanno scoperto che, mentre l'apprendimento implicito fornisce una base eccellente, aggiungere la modellazione relazionale esplicita dà a quella base un tetto robusto. È un promemoria del fatto che, nel mondo dell'IA, a volte non basta insegnare al computer cosa guardare, ma anche come pensare alle connessioni tra ciò che vede.