Technische Samenvatting: Additieve Causale Constructie voor Transferbare en Herconfigureerbare Cross-Systeem Leerprocessen in Multi-Source Beeldfusie

1. Probleemstelling

Het artikel behandelt de uitdaging van multi-source beeldfusie onder out-of-distribution (OOD) scenario's, met name in de medische beeldvorming. Het kernprobleem ontstaat wanneer heterogene inputs (bijv. beelden van verschillende centra, apparaten of anatomische regio's) worden gedreven door afzonderlijke generatieve mechanismen. De auteurs identificeren twee primaire faalmodi in bestaande fusie-benaderingen:

• Cross-System Discrepancy (CSD): Het ontbreken van een verenigde causale referentie over systemen heen maakt semantische uitlijning moeilijk, wat leidt tot misalignement van representaties.
• Cross-System Entanglement (CSE): Het fusieproces introduceert vaak instabiele afhankelijkheden en spurieuze causale paden door cross-systeem interferentie. Deze paden zijn niet robuust tegen distributieverschuivingen, wat leidt tot significante prestatievermindering wanneer modellen te maken krijgen met data uit verschillende domeinen (bijv. verschillende ziekenhuizen of scanners).

Bestaande methoden vertrouwen doorgaans op observatieniveau gezamenlijke modellering met statische beperkingen, waarbij causale structuren als vooraf gedefinieerd en vast worden beschouwd. Ze falen in het expliciet modelleren van de evolutie van causale structuren of de verschillen in generatieve mechanismen, waardoor ze ontoereikend zijn voor het omgaan met de dynamische aard van CSD en CSE.

2. Methodologie: Het ACC-framework en ACC-CRL

De auteurs stellen het Additive Causal Construction (ACC) framework voor, dat multi-source fusie herformuleert, niet als eenvoudige feature aggregatie, maar als een dynamisch proces van het construeren van een verenigde causale structuur vanuit heterogene systemen. Dit framework wordt geïnstantieerd als een leerbaar model genaamd ACC-CRL (Additive Causal Construction - Causal Representation Learning).

A. De principes van het ACC-framework

Het framework opereert op twee belangrijke pijlers:

1. Causal Graph Transferability (CGT):

   • Doel: Mitigeren van CSD door het vestigen van gedeelde causale "ankers" over systemen heen.
   • Mechanisme: Het definieert een anker-equivalent paar als knopen uit verschillende systemen die naar een gedeelde abstracte causale inhoudelijke referentie ($X$) mappen en consistente interventionele responsen induceren.
   • Vereisten: Dit vereist semantische vergelijkbaarheid (mapping naar een gemeenschappelijke inhoudelijke ruimte) en interventionele responsconsistentie (het waarborgen dat interventies op de gedeelde ankers consistente downstream responsen produceren over verschillende systemen heen).

2. Causal Graph Reconfigurability (CGR):

   • Doel: Onderdrukken van CSE door fusie te behandelen als een topologische reorganisatie in plaats van een statische samenvoeging.
   • Mechanisme: Het introduceert structurele onzekerheid om de geloofwaardigheid van kandidaat cross-systeem randen (edges) te evalueren.
   • Proces: Kandidaat randen worden geselecteerd, verzwakt of onderdrukt op basis van hun geloofwaardigheid (afgeleid van mechanisme-compatibiliteit en responsconsistentie). Dit stelt het systeem in staat om het fusieproces adaptief te reguleren, waarbij stabiele causale relaties worden behouden terwijl onstabiele shortcuts worden weggegooid.

B. De ACC-CRL Implementatie

ACC-CRL realiseert het ACC-framework in een representatieruimte via drie kerncomponenten:

1. Learnable CGT (Inhoud-Mechanisme Ontkoppeling):

   • Observaties worden gedecomposeerd in gedeelde causale inhoud ($X$) en systeemspecifieke mechanismen ($U$).
   • Contrastief Leren: Een contrastieve loss ($L_{con}$) lijnt semantisch overeenkomstige monsters uit verschillende systemen uit in de gedeelde inhoudelijke ruimte.
   • Ontkoppeling (Disentanglement): Een ontkoppelingsbeperking ($L_{dis}$, gebruikmakend van HSIC) voorkomt dat mechanisme-informatie lekt naar de gedeelde inhoud, waardoor $X$ stabiele causale semantiek vastlegt terwijl $U$ heterogeniteit behoudt.
   • Respons Uitlijning: Bidirectionele respons-mappings ($\Psi$) worden geleerd om de output van één systeem te reconstrueren met behulp van de inhoud en mechanismen van het andere systeem. De residuele fout ($e_{str}$) dient als signaal voor structurele mismatch.

2. Learnable CGR (Onzekerheid-bewuste Fusie):

   • Onzekerheidsschatting: Het model berekent structurele onzekerheid ($u_{str}$) op basis van respons-uitlijningsresiduen en predictieve onzekerheid ($u_{unc}$) op basis van mechanisme-representaties en inhoudelijke discrepanties.
   • Adaptieve Gating: Een fusie-betrouwbaarheidsgewicht ($\gamma$) wordt afgeleid van de totale onzekerheid.
     • Hoge $\gamma$ (lage onzekerheid): Het model fuseert representaties van beide systemen.
     • Lage $\gamma$ (hoge onzekerheid): Het model onderdrukt cross-systeem informatie en valt terug op een conservatieve representatie van één enkel systeem om onstabiele afhankelijkheden te vermijden.
   • Observatie-bewuste Reconfiguratie: Om het verlies van fijnmazige visuele cues (bijv. textuur, grenzen) tijdens latente abstractie te voorkomen, wordt een observatie-supplementaire tak toegevoegd. De uiteindelijke representatie balanceert dynamisch tussen de latente causale fusie en ruwe observatie-features op basis van het betrouwbaarheidsgewicht $\gamma$.

3. Gezamenlijke Optimalisatie:
   Het model wordt getraind met een gecombineerde objectieve functie inclusief supervised loss, contrastieve loss, ontkoppelingsloss, respons-uitlijningsloss en een regularisator ($L_{uaf}$) die hoge fusiegewichten bestraft wanneer de structurele mismatch ernstig is.

3. Belangrijkste Bijdragen

• Theoretische Formulering: Het artikel introduceert het ACC-framework, dat multi-source fusie conceptualiseert als een dynamisch proces van causale constructie dat CSD en CSE expliciet aanpakt via CGT en CGR.
• Leerbare Instantiatie: Het stelt ACC-CRL voor, een praktische, end-to-end trainbare architectuur die mechanisme-ontkoppeling, interventionele consistentie-uitlijning en onzekerheid-bewuste structurele regulatie implementeert.
• Nieuw Mechanisme: De methode combineert uniek interventionele responsconsistentie (om gedeelde ankers te definiëren) met structurele onzekerheidsmodellering (om de betrouwbaarheid van fusie te reguleren), waarmee het verder gaat dan statische observationele beperkingen.
• Observatie Supplementatie: Het introduceert een mechanisme om latent causale abstractie en ruwe visuele features dynamisch te balanceren, wat robuustheid garandeert in taken waar fijnmazige details cruciaal zijn.

4. Experimentele Resultaten

De auteurs valideren de methode op twee datasets:

• Synthetische Data (ColorMNIST):

  • Setup: Een gecontroleerde omgeving met modaliteitsbias (kleur versus grijswaarden) om spurieuze correlaties (CSE) te simuleren.
  • Bevindingen: ACC-CRL verminderde de directionele bias aanzienlijk en verbeterde de OOD-generalisatie vergeleken met baselines (Concatenation, Intervention, etc.). Het demonstreerde het vermogen om shortcut-paden te onderdrukken en afscheidbare, stabiele clusters te leren in de representatieruimte.

• Real-World Medische Beeldvorming (Microvascular Invasion - MVI Voorspelling):

  • Setup: Een cross-center voorspellingstaak met arteriële fase MRI van twee ziekenhuizen (Sichuan Provincial People's Hospital en Huzhou Central Hospital). De taak betreft de fusie van intra-tumorale en peri-tumorale regio's.
  • Bevindingen:
    • OOD Generalisatie: ACC-CRL behield competitieve In-Distribution (ID) prestaties terwijl het de baselines (MultiOOD, IRM, VREx, etc.) aanzienlijk overtrof op de externe OOD testset.
    • Robuustheid: De methode bereikte een betere balans tussen ID en OOD prestaties (gemeten via BACC), waarbij kleinere generalisatiekloven werden getoond.
    • Ablatie-studies: Bevestigden dat mechanisme-uitlijning (CGT) de stabiliteit van de representatie verbetert, terwijl Uncertainty-Aware Fusion (CGR) cruciaal is voor het onderdrukken van onstabiele cross-systeem afhankelijkheden onder distributieverschuivingen.
    • Analyse: Visualisaties (t-SNE) toonden aan dat mechanisme-uitlijning leidde tot betere klasse-scheiding en domein-ontkoppeling. Onzekerheidsanalyse bevestigde dat het model correct hogere onzekerheid toekende aan OOD-monsters en dat onzekerheid correleerde met voorspellingsfouten.

5. Betekenis en Claims

Het artikel claimt dat de voorgestelde ACC-CRL strategie een robuuste oplossing biedt voor multi-source fusie in open omgevingen waar distributieverschuivingen onvermijdelijk zijn. Door te verschuiven van een statisch, observationeel perspectief naar een dynamisch, causaal constructieperspectief, doet de methode het volgende:

• Mitigeert effectief Cross-System Discrepancy door het vestigen van transferbare causale ankers.
• Onderdrukt Cross-System Entanglement door fusie adaptief te reguleren op basis van structurele en predictieve onzekerheid.
• Demonstreert dat het expliciet modelleren van de generatie en evolutie van causale structuren leidt tot superieure generalisatie vergeleken met methoden die uitgaan van vaste causale grafen.

De auteurs concluderen dat deze benadering bijzonder waardevol is voor medische toepassingen (zoals MVI-voorspelling) waar de heterogeniteit van data tussen centra hoog is en betrouwbare, interpreteerbare besluitvorming cruciaal is. Zij suggereren dat toekomstig werk complexe multi-causaal-systeem modellering en geavanceerde structurele leermethoden zal verkennen om de klinische toepasbaarheid verder te vergroten.