CausalFund: Causality-Inspired Domain Generalization in Retinal Fundus Imaging for Low-Resource Screening

Het paper introduceert CausalFund, een causaal geïnspireerd leerframework dat AI-modellen voor glaucoom- en DR-scherming verbetert door ziekte-gerelateerde retinale kenmerken te ontkoppelen van spurious beeldfactoren, waardoor betrouwbare diagnose mogelijk wordt op lage-resolutie beelden van draagbare apparaten in onderbedeelde gebieden.

De kern

Het Grote Probleem: De "Ziekenhuis-Bril" vs. De "Smartphone-Foto"

Stel je voor dat je een superdichte detective hebt getraind om oogziektes (zoals glaucoom en diabetes in het netvlies) te herkennen. Deze detective is echter getraind in een perfecte, dure ziekenhuiskamer. Daar worden foto's gemaakt met professionele, dure camera's. De detective leert daar heel goed: "Als ik deze specifieke details zie, is er iets mis."

Het probleem is dat deze detective nu moet gaan werken in armere gebieden of bij mensen thuis. Daar maken ze foto's met een gewone smartphone.

• De foto's zijn misschien wazig.
• Het licht is niet perfect.
• De camera is goedkoper.

Omdat de detective alleen is getraind op de "perfecte ziekenhuisfoto's", raakt hij in de war. Hij kijkt niet meer naar de ziekte zelf, maar naar toevallige details die alleen in het ziekenhuis voorkomen (zoals de kleur van de muur op de achtergrond of de specifieke glans van de dure lens). Hij denkt dan: "Oh, deze foto ziet eruit als een ziekenhuisfoto, dus het is gezond," terwijl de patiënt juist ziek is. Of andersom.

Dit noemen de onderzoekers "spurious correlations" (schijnverbanden). De AI leert de verkeerde dingen omdat ze te afhankelijk zijn van de omgeving.

De Oplossing: CausalFund (De "Waarheid-Filter")

De onderzoekers hebben een nieuwe methode bedacht, genaamd CausalFund. Je kunt dit zien als een trainingssessie voor de detective om hem "slimmer" te maken.

In plaats van de detective alleen foto's te laten zien, doen ze het volgende:

1. De "Verstoorde" Foto: Ze nemen een foto en laten er een beetje "ruis" op vallen (alsof de foto wazig is, donkerder wordt of een beetje vervormd). Dit simuleert de slechte kwaliteit van een smartphonefoto.
2. De Test: Ze vragen de detective: "Kijk naar deze foto. Is de patiënt ziek of gezond?" Vervolgens vragen ze: "Kijk nu naar dezelfde foto, maar dan met de ruis erop. Is de patiënt nog steeds ziek of gezond?"
3. De Leerles: Als de detective zijn antwoord verandert omdat de foto wazig is, dan heeft hij iets verkeerd geleerd (hij lette op de ruis). CausalFund straft hem hiervoor.
4. Het Doel: De detective moet leren om alleen naar de echte, onwrikbare tekenen van de ziekte te kijken. Bijvoorbeeld: de vorm van de oogzenuw of de dikte van het netvlies. Deze tekenen blijven hetzelfde, of je nu een dure camera of een smartphone gebruikt.

De Vergelijking: Een Koffie-Filter

Stel je voor dat je koffie wilt zetten.

• De oude manier (ERM): Je leert koffie zetten met een dure, elektrische machine. Je leert dat de koffie goed smaakt als de machine piept en het lichtje groen is. Als je nu in het bos staat en koffie moet zetten met een potje en vuur, en je hoort geen piep en het lichtje is niet groen, weet je niet meer hoe je koffie moet zetten.
• De nieuwe manier (CausalFund): Je leert koffie zetten door te kijken naar de koffiedik en de temperatuur van het water. Of je nu een dure machine of een potje over het vuur gebruikt, de koffie blijft goed omdat je de essentie (de oorzaak) hebt begrepen, en niet de omstandigheden.

Wat Vonden Ze?

De onderzoekers hebben dit getest met zeven verschillende soorten "detectives" (AI-modellen) en twee ziektes (glaucoom en diabetes in het netvlies).

• Bij de ziekenhuisfoto's: De nieuwe methode deed het net zo goed als de oude.
• Bij de smartphonefoto's: De oude methode faalde vaak (de detective raakte in de war). De nieuwe methode (CausalFund) deed het veel beter.
• Bij slechte kwaliteit: Zelfs als de smartphonefoto's erg wazig of donker waren, bleef de nieuwe methode betrouwbaar. De oude methode gaf toen vaak het verkeerde antwoord.

Waarom is dit belangrijk?

Voor mensen in arme gebieden of afgelegen dorpen is het vaak onmogelijk om naar een oogarts te gaan met dure apparatuur. Ze kunnen alleen een foto maken met hun telefoon.

Met CausalFund kunnen artsen nu AI gebruiken die echt werkt op die telefoonfoto's. Het betekent dat meer mensen tijdig kunnen worden gecheckt op oogziektes, voordat ze blind worden, zonder dat ze een dure camera nodig hebben.

Kort samengevat:
CausalFund leert de computer om te kijken naar de echte ziekte en niet naar de kwaliteit van de foto. Hierdoor wordt de diagnose betrouwbaar, of je nu een dure camera of een goedkope smartphone gebruikt.

Technische samenvatting

Probleemstelling

De vroege screening voor glaucoom en diabetische retinopathie (DR) is cruciaal om onomkeerbare gezichtsverlies te voorkomen, maar is vaak ontoegankelijk voor onderbedeelde populaties in gebieden met weinig middelen. Bestaande AI-modellen voor oogscreening worden doorgaans getraind op hoogwaardige fundusfoto's van dure, klinische apparatuur (bijv. Topcon, Zeiss). Deze modellen vertonen echter een slechte generalisatie naar beelden verkregen met goedkope, draagbare apparaten zoals smartphones.

De kern van het probleem is dat deze modellen vaak vertrouwen op spurious correlaties (schijnbare verbanden) in plaats van causale kenmerken. Ze leren bijvoorbeeld te vertrouwen op domeinspecifieke factoren zoals:

• Demografische kenmerken van patiënten.
• Signatuur van het opnameapparaat.
• Compressie-artefacten of variaties in belichting en scherpte.

Wanneer deze modellen worden ingezet in een nieuwe omgeving (bijv. van ziekenhuis naar mobiele screening), waarbij de beeldkwaliteit en opnameomstandigheden variëren, daalt de prestatie aanzienlijk. Het verzamelen van gelabelde data in deze low-resource omgevingen om modellen opnieuw te trainen is vaak onpraktisch.

Methodologie: CausalFund

De auteurs stellen CausalFund voor, een model-onafhankelijk leerframework dat is geïnspireerd op causale machine learning. Het doel is om AI-modellen te trainen die robuust zijn voor domeinverschuivingen door te focussen op causale, ziekte-relevante retinale kenmerken (zoals de cup-disc ratio en verdunning van het neuroretinale randje) en domein-specifieke ruis te onderdrukken.

Kerncomponenten van het framework:

1. Ontkoppeling van Representaties: Het framework leert een gedeelde feature extractor (een deep learning backbone) om een latente causale representatie ($Z$) te genereren.
2. Interventie (Intervener): Een MLP-netwerk (Multi-Layer Perceptron) fungeert als "intervener". Deze module genereert een perturbatie ($\Delta$) die is voorwaardelijk op het label (of voorspelde label). Deze perturbatie simuleert veranderingen in niet-causale factoren (zoals belichting of blur) zonder de ziekteklasse te veranderen.
3. Consistentie: Het model wordt getraind om consistente voorspellingen te doen voor zowel de oorspronkelijke causale representatie ($Z$) als de geïntervenieerde representatie ($Z' = Z + \Delta$). Hierdoor wordt het model gedwongen om de echte ziekte-kenmerken te gebruiken in plaats van de verstoord factoren.
4. Verliesfunctie: De optimisatie combineert meerdere verliescomponenten:
   • $L_{cls}$: Klassificatieverlies op de causale features.
   • $L_{int}$: Klassificatieverlies op de geïntervenieerde features.
   • $L_{cons}$: Consistentieverlies om voorspellingen stabiel te houden.
   • $L_{reg}$ en $L_{kl}$: Regularisatietermen om de grootte van de perturbatie te beperken en de latentere presentatie te stabiliseren.

Experimenteel Opzet:

• Datasets: Er werden twee domein-gepaarde datasets gebruikt:
  • Glaucoom: Ziekenhuisdata (Multichannel Glaucoma Benchmark) vs. Smartphone-data (Brazil Glaucoma dataset).
  • DR: Ziekenhuisdata (geaggregeerd van APTOS, DDR, etc.) vs. Smartphone-data (mBRSET).
• Backbones: CausalFund werd geïntegreerd met zeven deep learning architecturen, waaronder zware modellen (ResNet, DenseNet, EfficientNet, ViT) en lichte modellen voor mobiele deploy (MobileNet, SqueezeNet).
• Validatie: De modellen werden getraind op de ziekenhuisdata en getest op de smartphone-data (domein-generalisatie). Er werden ook gecontroleerde degradaties (mild, matig, ernstig) toegepast op smartphone-beelden om robuustheid te testen.

Belangrijkste Resultaten

De resultaten tonen aan dat CausalFund consistent beter presteert dan traditionele Empirical Risk Minimization (ERM) baselines, vooral in low-resource scenario's.

• Algemene Prestatie (AUC):
  • Glaucoom: In het smartphone-domein verbeterde CausalFund de AUC aanzienlijk ten opzichte van ERM. Bijvoorbeeld, EfficientNet steeg van 0,649 (ERM) naar 0,757 (CausalFund). ResNet bereikte een AUC van 0,813.
  • DR: Ook hier werden verbeteringen gezien, met name bij EfficientNet (van 0,907 naar 0,935) en DenseNet.
• Sensitiviteit en Specificiteit: CausalFund leverde een gunstigere afweging tussen sensitiviteit en specificiteit op, wat cruciaal is voor screening. De gemiddelde prestaties (Sensitiviteit + Specificiteit) waren over het algemeen hoger dan bij ERM.
• Robuustheid tegen Beeldkwaliteit:
  • Bij het toepassen van ernstige degradaties (bewegingsonscherpte, zware compressie, kleurvervorming) op smartphone-beelden, daalde de prestatie van ERM-modellen sterk.
  • CausalFund vertoonde een veel langzamere daling in prestatie. De "gap" in AUC tussen ziekenhuis- en smartphone-domeinen was bij ERM 0,148 bij ernstige degradatie, terwijl deze bij CausalFund slechts 0,100 bedroeg.
• Interpretatie (Grad-CAM): Visualisaties toonden aan dat ERM-modellen vaak naar irrelevante gebieden of artefacten keken bij slechte beeldkwaliteit. CausalFund bleef echter gefocust op de anatomisch relevante gebieden (bijv. de oogzenuwkop), wat aantoont dat het model daadwerkelijk causale kenmerken leert.

Bijdragen

1. Framework Ontwikkeling: Introductie van CausalFund, een causaal geïnspireerd framework dat domein-generalisatie verbetert door expliciet te leren van causale retinale kenmerken en spurious factoren te disentangleren.
2. Model-Onafhankelijkheid: Het framework is compatibel met diverse backbones, inclusief lichtgewicht modellen die geschikt zijn voor on-device implementatie op mobiele apparaten.
3. Empirisch Bewijs: Uitgebreide validatie op twee belangrijke oogziekten (glaucoom en DR) met publieke datasets, waarbij wordt aangetoond dat het framework de prestaties in low-resource omgevingen significant verbetert.
4. Robuustheid: Aantonen dat het framework effectief is tegen variaties in beeldkwaliteit die typisch zijn voor niet-klinische screening.

Betekenis en Conclusie

Dit onderzoek biedt een cruciale stap voorwaarts in het realiseren van betaalbare, AI-gedreven oogscreening voor onderbedeelde populaties. Door het probleem van domeinverschuiving aan te pakken via causale leerprincipes, maakt CausalFund het mogelijk om modellen die zijn getraind op hoogwaardige ziekenhuisdata, succesvol in te zetten met goedkope smartphones.

Dit verkleint de kloof tussen academische AI-prestaties en klinische toepasbaarheid in real-world settings. Hoewel de studie beperkingen heeft (zoals retrospectieve evaluatie en synthetische degradaties), legt het de basis voor toekomstige prospectieve klinische validaties en de uitbreiding naar andere oogziekten en medische beeldvorming in low-resource omgevingen.