Does the Model See the Disease or the Shortcut? Causal Lesion Grounding for Chest Radiograph Diagnosis

技術要約：RADAR – 胸部X線写真診断における因果的病変グラウンディング

問題提起
深層学習モデルによる胸部X線写真の診断は、しばしば高い識別能（高いAUROCなど）を達成するが、それは「ショートカット」――すなわち、焼き付けられたテキストマーカー、補助装置、あるいは部位特有の画像の外観といった、実際の病理とは無関係な手がかり――に依存している場合が多い。正しいラベルが得られることは、モデルが実際に病変を利用したことを保証するものではない。説明としてGrad-CAMなどのサリエンシーマップが一般的に用いられるが、これらは事後的なものであり、モデルのパラメータに対して鈍感である場合が多く、強調された領域に予測が依存していることを証明するには不十分である。画像領域を削除して依存性をテストする方法はより直接的だが、結果を混乱させる分布シフトを導入してしまう。著者らは、信頼できる診断モデルは、4つの明確な特性を満たさなければならないと主張している：疾患を予測すること（Q1）、放射線科医がマークする領域をマークすること（Q2）、その領域を健康な組織に置き換えたときに診断結果を失うこと（Q3）、そして非病理的なコンテンツが変更されても診断を維持すること（Q4）である。

手法：RADARフレームワーク
著者らは、統一されたアーキテクチャと学習スキームを通じてこれら4つの特性すべてを満たすように設計された、病変に基づいたグラウンディング・フレームワークであるRADAR（Radiograph Analysis with Disease-Associated Regions）を提案している。

1. アーキテクチャ（エビデンス・ボトルネック）：

   • 本モデルは、ConvNeXt-Tinyエンコーダと特徴ピラミッドデコーダを使用し、7つのターゲットラベルそれぞれに対してクラス固有の病変マップ（$M_k$）を予測する。
   • 極めて重要な点として、個別のグローバル分類ヘッドは存在しない。代わりに、画像レベルの疾患確率は、病変マップ自体から最も強い応答をプーリングすることによって算出される。具体的には、上位0.5%のロジット（「診断コア」）を平均して最終的なロットを生成する。これにより、分類の勾配が空間的な病変表現を通じて直接作用することを強制する。

2. 空間的教師あり学習：

   • ボックスによる教師あり学習： モデルは、投影損失（水平・垂直方向の投影のマッチング）やアフィニティ損失を用いて、マルチリーダーの放射線科医によるボックス（VinDr-CXR由来）から病変の範囲を学習する。これは、マップにボックスを完全に埋めるよう強制するのではなく、学習を行うものである。
   • 解剖学的事前分布： クラスに適さない解剖学的領域（例：肺のラベルに対して胸郭の外側）にあるロジットにはペナルティが課される。心拡大（Cardiomegaly）は外部の心臓マスクによって監督される。
   • 疑似ラベル： 指数移動平均（EMA）を用いたティーチャーネットワークが、ボックスが存在しない陽性画像に対して疑似ラベルを生成し、ノイズをフィルタリングするための信頼度閾値を適用する。

3. 反事実的学習（Counterfactual Training）：
   病変への因果的依存を強化するために、学習目的関数には制御された画像介入が含まれる：

   • 病変の除去（$x^-$）： 病変領域をドナープールから取得した健康な組織で置き換える。モデルは陰性の診断を予測するように学習される。
   • 病変の保持（$x^+$）： 病変領域のみを保持する（健康な組織に囲まれた状態）。モデルは陽性の診断を予測するように学習される。
   • 一致したコントロール（$x_{ctrl}$）： 病変から離れた同等面積の領域を置き換える。モデルは診断を維持しなければならず、これにより、確率の低下が編集自体によるものではなく、病変によるものであることを保証する。
   • 不変性： 胸郭の外側の編集や、病変のないブロブの挿入は、予測を変化させてはならない。
   • ランダム化： モデルが編集の「見た目」を学習するのを防ぐため、ドナー組織の外観（コントラスト、ガンマ、ノイズ、ぼかし）をランダム化し、編集の境界をフェザリング（ぼかす）処理する。

主な貢献

• 診断アーキテクチャ： 事後的な説明ではなく、局在化した病変マップが診断の計算源となる設計。
• 学習スキーム： ボックス、解剖学、および疑似ラベルから病変の範囲を学習すると同時に、一致したコントロールを用いた反事実的介入を通じて、病変特異的な依存性を明示的に最適化する手法。
• 評価プロトコル： キャリブレーションされた局在化、一致した介入テスト（「因果的エビデンスギャップ」の測定）、および独立した分類器の検証を組み合わせ、病変への依存性と編集への感受性を分離する包括的な監査。

結果
3つの公開データセット（VinDr-CXR、NIH ChestX-ray14、およびCheXlocalize/CheXpert）で評価を行った：

• 識別能（Q1）： RADARは、従来の分類器と同等の診断性能を達成した。CheXlocalizeテストセットにおいて、RADARはマクロAUROC 0.878に達し、これは標準的なConvNeXt分類器の0.855、およびDenseNet-121の0.758を上回った。
• 局在化（Q2）： 同等の説明領域において、RADARの固有の病変マップは、従来の分類器のGrad-CAMマップよりも放射線科医のアノテーションと有意に重なりがあった（例：CheXlocalizeにおいてIoUは0.37 vs. 0.32）。
• 病変依存性（Q3）： これが最も顕著な差別化要因であった。放射線科医がアノテーションした病変を健康な組織に置き換えたとき：
  • 従来の分類器の確信度の高い陽性予測の**62%**が存続した（生存率）。
  • RADARの確信度の高い陽性予測の存続はわずか**16%**であった。
  • RADARがマークした病変を置き換えると、疾患の確率は0.78低下したが、一致した病変外の編集では0.29しか低下せず、高い因果的エビデンスギャップ（CEG）を示した。
• 堅牢性（Q4）： RADARは、非病理的な編集（合成テキスト、胸郭外のコンテンツ）に対して最小限の感受性しか示さなかった。独立したDenseNet-121も、RADARの病変が除去された際に確信度を失ったことから、マークされた領域に真の診断情報が含まれていることが示唆された。

意義と主張
本論文は、高い識別能はショートカットへの依存を必要としないこと、そしてモデルを病変に直接基づいて診断するように学習できることを示している。その意義は、事後的な説明から内在的な推論への転換にあり、そこではモデルの決定が構造的に病変マップと結びついている。

著者らは、自らの「因果的」という主張は、指定された合成画像介入下での感受性に限定されており、疾患の構造的因果モデルの証明ではないことを強調している。また、RADARは病変除去による診断の生存割合を減少させるものの、それを完全に排除するわけではない（16%の生存）こと、および局在化性能は、特に学習ボックスが乏しいラベル（例：気胸）によって変動することを述べている。研究の結論として、病変に基づいたアーキテクチャと反事実的学習、および一致したコントロールを組み合わせることで、モデルが「疾患を見ている」のか、それとも「ショートカット」を見ているのかを評価するための、より厳密な検証が可能になると述べている。