COGENT: Counterfactual Gaussian Explanations for Volumetric Medical Images

Technische Samenvatting: COGENT

Probleemstelling
De inzet van deep learning-modellen in medische toepassingen met een hoog risico, met name bij volumetrische beeldvorming zoals CT en MRI, vereist robuuste verklaarbaarheid. Hoewel moderne modellen state-of-the-art prestaties leveren, blijft hun besluitvormingsproces vaak opaak. Bestaande methoden voor verklaarbaarheid bij volumetrische gegevens opereren voornamelijk in de pixel- of voxelruimte (beeldruimte). Deze benaderingen falen vaak in het expliciet modelleren van de onderliggende driedimensionale structuur van de scène, wat leidt tot verklaringen die anatomisch moeilijk te interpreteren zijn of complexe ruimtelijke afhankelijkheden maskeren. Bov�ftel werken veel technieken laag-voor-laag (slice-by-slice), waardoor ze er niet in slagen coherente 3D-objectstructuren te vatten. Er is behoefte aan frameworks voor verklaarbaarheid die direct binnen gestructureerde 3D-representaties opereren om anatomische consistentie te waarborgen en klinisch zinvolle inzichten te bieden.

Methodologie
Het artikel introduceert COGENT (Counterfactual Gaussian Explanations for Volumetric Medical Images), een framework dat contrafeitelijke verklaringen genereert direct in de parameterruimte van op Gaussians gebaseerde volumetrische representaties, in plaats van in de ruwe beeldruimte. De methodologie integreert drie kerncomponenten:

1. Representatielaag (MedGS): Het framework maakt gebruik van MedGS (Medical Gaussian Splatting), die 3D Gaussian Splatting uitbreidt naar multimodale medische beeldvorming. MedGS representeert volumetrische medische gegevens als een verzameling expliciete, differentieerbare Gaussian-primitieven. Elk primitief wordt gedefinieerd door parameters waaronder ruimtelijke positie ($x_i$), verschijningscoëfficiënten ($f_i$), opaciteit ($o_i$), schaal ($s_i$) en rotatie ($r_i$). Dit creëert een volledig differentieerbare brug tussen de Gaussian-parameters en de gerenderde beeldvlakken (slices).
2. Downstream Predictor (Sybil): Het framework gebruikt Sybil, een deep learning-model dat is ontworpen om toekomstig risico op longkanker direct te voorspellen vanuit low-dose chest CT-scans. In COGENT fungeert Sybil als een vaste, bevroren classifier. De output (risico-logits) dient als het optimalisatiesignaal.
3. Contrafeitelijke Optimalisatie:
   • Formulering: Verklaarbaarheid wordt geformuleerd als een geconstraineerd contrafeitelijk optimalisatieprobleem. Het doel is om te identificeren welke Gaussian-primitieven, wanneer ze worden gewijzigd, de voorspelling van het model zouden veranderen (bijvoorbeeld het verschuiven van een hoog risico naar een laag risico).
   • Proces: Het systeem selecteert een subset van Gaussians (vaak die welke anatomische maskers of specifieke regio's van belang snijden). Met behulp van Projected Gradient Descent (PGD) optimaliseert het framework de parameters van deze geselecteerde Gaussians.
   • Gradiëntstroom: Gradiënten worden teruggevoerd van de bevroren Sybil-classifier, door de differentieerbare rendering-pipeline, naar de Gaussian-parameters.
   • Constraints: De optimalisatie wordt beperkt door een $L_\infty$-grens ($\epsilon$) en globale clipping-intervallen om ervoor te zorgen dat het geperturbeerde volume anatomisch dicht bij het origineel blijft, wat onrealistische artefacten voorkomt.
   • Doelstelling: De verliesfunctie ($L_{cf}$) is gebaseerd op het contrafeitelijke doel, hetzij ongericht (het maximaliseren of minimaliseren van een specifieke risico-logit) hetzij gericht (het matchen van een specifieke logitwaarde).
   • Extractie: Na de optimalisatie identificeert het framework de top 10% van de Gaussians die de meest significante parameterwijzigingen hebben ondergaan. Deze primitieven vormen de verklaring en representeren de specifieke structurele en texturele regio's die de beslissing van het model drijven.

Belangrijkste Bijdragen

• Representatie-ruimte Framework: De auteurs introduceren een nieuw framework dat MedGS-representaties verbindt met een volumetrisch model voor het voorspellen van longkankerrisico, waarmee de verklarbaarheid verschuift van beeldruimte naar een gestructureerde 3D-parameterruimte.
• Contrafeitelijke Optimalisatie in de Parameterruimte: Het werk formuleert verklaarbaarheid als een contrafeitelijk optimalisatieprobleem direct binnen de parameterruimte van 3D Gaussian-representaties, een afwijking van conventionele pixel/voxel-perturbatiemethoden.
• Klinisch Betekenisvolle Verklaringen: Het artikel demonstreert dat COGENT contrafeitelijke verklaringen in de Gaussian-ruimte ruimtelijk gelokaliseerde, ijle (sparse) en anatomisch consistente resultaten produceren die overeenstemmen met klinische verwachtingen, gevalideerd via zowel kwantitatieve metrieken als deskundige beoordeling.

Resultaten
Het framework werd geëvalueerd op long CT-scans met behulp van het Sybil-model, waarbij COGENT werd vergeleken met gevestigde baselines (GradCAM, Saliency, Integrated Gradients, Input $\times$ Gradient, Kernel SHAP) en een pixel-ruimte contrafeitelijke baseline.

• Kwantitatieve Prestaties: COGENT behaalde de hoogste lokalisatiescores, met RRA en RRA_abs waarden van 0,2837, wat de sterkste klassieke baseline, GradCAM (0,0805), aanzienlijk overtreft. Dit duidt op een superieur vermogen om de pathologische regio's te identificeren die de voorspelling drijven.
• IJlheid en Compactheid: COGENT behield een hoge mate van ijlheid (0,6550), waardoor gefocuste verklaringen werden geproduceerd vergeleken met de meer diffuse Kernel SHAP (0,2083).
• Perturbatie Stabiliteit: De methode vertoonde concurrerende Perturbation-AUC (0,0396) en Mean-Perturbation (0,0414) scores, wat wijst op een stabiele prestatie over de evaluatiecriteria heen.
• Kwalitatieve en Deskundige Evaluatie: Visuele vergelijkingen toonden aan dat COGENT anatomisch plausibele, gelokaliseerde modificaties produceert (bijvoorbeeld het targeten van specifieke noduli), terwijl pixel-ruimte baselines resulteerden in verspreide, ruisachtige patronen. Een evaluatie door een expert-radioloog op een 5-puntsschaal vond dat in 40% van de gevallen de contrafeitelijke verklaringen overeenkwamen met een positieve mitigatie van de ziekte Ernst (attenuatie van maligne kenmerken), terwijl in een ander 40% van de gevallen een neutrale impact werd waargenomen. De verklaringen lokaliseerden consequent naar regio's die een expert als verdacht zou identificeren.

Significantie en Claims
Het artikel claimt dat COGENT een nieuw perspectief biedt op het interpreteren van volumetrische deep learning-modellen door verklaarbaarheid in te bedden in de expliciete 3D-scènerepresentatie. De significantie ligt in het vermogen om verklaringen te genereren die niet alleen technisch effectief zijn in het lokaliseren van de aandacht van het model, maar ook klinisch betekenisvol en anatomisch consistent zijn. Door in de Gaussian-parameterruimte te opereren, vermijdt de methode de anatomische incoherentie die vaak voorkomt bij perturbaties op voxelniveau. De auteurs positioneren COGENT als een algemeen paradigma voor verklaarbaarheid in de representatieruimte, waarbij zij aantonen dat het potentieel heeft om volumetrische AI-modellen transparanter en betrouwbaarder te maken voor medische besluitvorming. Het werk suggereert dat contrafeitelijke verklaringen in de parameterruimte effectief de structurele en texturele bewijslast achter modelvoorspellingen kunnen onthullen op een manier die aansluit bij de radiologische kennis.