💻 computer science

CUPID-Med: Conformal Uncertainty-aware Prototype Discovery for Clinically Interpretable Deep Medical Clustering

CUPID-Med is een nieuw framework dat gebruikmaakt van conformistische, onzekerheidsbewuste prototype-ontdekking om klinisch interpreteerbare, verzamelingwaardige clustervoorspellingen met gekalibreerde betrouwbaarheidsscores te genereren, waarmee het deterministische baselines aanzienlijk overtreft in het structureren van ongelabelde medische beeldgegevens.

Oorspronkelijke auteurs: Mojtaba Jahanian, Abbas Karimi, Nafiseh Osati Eraghi, Faraneh Zarafshan

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Mojtaba Jahanian, Abbas Karimi, Nafiseh Osati Eraghi, Faraneh Zarafshan

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een bibliothecaris bent die probeert een enorme, chaotische bibliotheek van 5.000 medische röntgenfoto's te organiseren. Het probleem? Geen enkele van de boeken heeft een titel of een label op de rug. Je weet niet welke röntgenfoto een gebroken bot laat zien, welke longontsteking (pneumonie) toont en welke volkomen gezond is. Je hebt gewoon een gigantische stapel afbeeldingen.

De meeste computerprogramma's die dit proberen op te lossen, zouden zich gedragen als een zeer rigide bibliothecaris. Ze kijken naar een afbeelding, dwingen deze in één enkele plank en zeggen: "Deze hoort in de bak 'Longontsteking'." Maar hier is de crux: in de geneeskunde zijn dingen vaak rommelig. Een röntgenfoto kan een beetje op een longontsteking lijken, een beetje op vocht en een beetje op een normaal hart. Een rigide computer kan er dan naast zitten en heel zelfverzekerd over het verkeerde zijn.

Maak kennis met CUPID-Med.

Beschouw CUPID-Med niet als een bibliothecaris, maar als een sceptische, hooggeorganiseerde detective die een speciale set hulpmiddelen gebruikt om deze afbeeldingen te sorteren. Zo werkt het, onderverdeeld in eenvoudige concepten:

1. Het "Slimme Oog" (Medical Foundation Encoder)

Eerst bekijkt het systeem de röntgenfoto's met een "slim oog" dat al getraind is op miljoens medische afbeeldingen. Het is alsof je de detective een bril geeft die elk type borstkasröntgenfoto al eerder heeft gezien. Dit helpt het systeem om de basisvormen en patronen te begrijpen zonder dat het verteld hoeft te worden wat ze zijn.

2. De "Vage Wolk" (Distributional Learning)

Hier is waar CUPID-Med verschilt van de oude, rigide methoden.

Oude methode: Het behandelt elke röntgenfoto als een enkele, scherpe stip op een kaart. "Deze stip zit definitief in de 'Longontsteking'-groep."
CUPID-Med: Behandelt elke röntgenfoto als een vage wolk. Het realiseert zich dat sommige afbeeldingen heel duidelijk zijn (een kleine, compacte wolk), terwijl andere wazig en verwarrend zijn (een enorme, verspreide wolk).
- Als de wolk compact is, is het systeem zelfverzekerd.
- Als de wolk enorm en verspreid is, zegt het systeem: "Ik weet niet zeker wat dit is. Het zou een paar verschillende dingen kunnen zijn."

3. De "Representatieve Gezichten" (Prototype Discovery)

In plaats van alleen abstracte groepen te creëren (zoals "Groep A" en "Groep B"), creëert CUPID-Med Prototypes. Denk aan deze als het "Gezicht van de Groep".

Voor elke groep die het vindt, kiest het de beste, meest "gemiddelde" uitziende röntgenfoto om die groep te vertegenwoordigen.
Dit is als een detective die zegt: "Deze groep patiënten ziet er allemaal uit als deze specifieke persoon."
Artsen kunnen naar deze "Gezicht van de Groep"-afbeeldingen kijken en zeggen: "Ah, ja, ik zie wat je bedoelt. Deze patiënten hebben allemaal die specifieke schaduw in hun longen." Dit maakt het werk van de computer interpreteerbaar (makkelijk te begrijpen voor mensen).

4. Het "Veiligheidsnet" (Conformal Uncertainty)

Dit is de belangrijkste veiligheidsfunctie. Omdat het systeem weet wanneer het in de war is (de "vage wolk"), heeft het een regel: "Als ik het niet 100% zeker weet, dwing ik geen beslissing af."

In plaats van te zeggen: "Dit is Groep A," kan het zeggen: "Dit zou Groep A kunnen zijn, OF het zou Groep B kunnen zijn."
Het maakt een ** shortlist** van mogelijkheden.
Als de lijst te lang is of het systeem te onzeker is, plaatst het een rood vlaggetje bij die afbeelding en zegt: "Hé, een menselijke arts moet hier even naar kijken." Het weigert te gokken wanneer de belangen groot zijn.

5. De Resultaten: Het sorteren van de chaos

De onderzoekers hebben dit getest op een dataset van 5.000 borstkasröntgenfoto's uit de CheXpert-database. Ze hebben de computer tijdens de training niet verteld wat de ziekten waren; ze lieten het systeem de afbeeldingen gewoon op eigen kracht sorteren.

De Oude Manier: Toen ze probeerden deze afbeeldingen te sorteren met standaard computermethoden, waren de groepen rommelig. De afbeeldingen in elke groep leken niet echt op elkaar. Het was alsof je een kaartspel probeerde te sorteren waarbij de "Harten"-stapel ook wat "Schoppen" bevatte. De score voor hoe goed ze gesorteerd waren, was erg laag (0,05).
De CUPID-Med Manier: Toen ze hun nieuwe detectivesysteem gebruikten, werden de groepen zeer duidelijk onderscheidbaar. De afbeeldingen in elke stapel zagen er zeer veel op elkaar uit. De score steeg aanzienlijk (naar 0,51).
De Bonus: Het systeem slaagde er ook in om te identificeren welke afbeeldingen "vaag" (onzeker) waren en markeerde deze voor beoordeling, precies zoals beloofd.

De Kern van het Verhaal

CUPID-Med is een nieuwe manier om medische afbeeldingen te organiseren die toegeeft wanneer het het antwoord niet weet. In plaats van een "beste gok" te forceren die fout kan zijn, doet het het volgende:

Groepeert vergelijkbare afbeeldingen duidelijk bij elkaar.
Toont artsen een "gezicht" van elke groep zodat zij kunnen begrijpen waarom de computer de afbeeldingen zo gegroepeerd heeft.
Vlagt de verwarrende gevallen zodat een menselijke expert kan ingrijpen.

Het paper concludeert dat deze aanpak veel schonere, begrijpelijkere groepen creëert dan eerdere methoden, maar merkt op dat het systeem nog wat verfijning nodig heeft om ervoor te zorgen dat de groepen ongeveer even groot zijn voordat het in een echt ziekenhuis kan worden gebruikt.

Technische Samenvatting van CUPID-Med: Conforme Onzekerheidsbewuste Prototype-ontdekking voor Klinisch Interpreteerbare Diepe Medische Clustering

Probleemstelling
Diepe medische clustering beoogt latente ziektesubgroepen te ontdekken uit niet-gelabelde medische gegevens, een cruciale taak gezien de hoge kosten en variabiliteit van deskundige annotatie. De meeste bestaande diepe clustering-benaderingen lijden echter aan drie primaire beperkingen:

Deterministische Toewijzingen: De meeste methoden dwingen monsters in enkele, harde clusterlabels, waarbij ze er geen rekening mee houden dat klinische fenotypes continu, overlappend en heterogeen van aard zijn.
Gebrek aan Gecalibreerde Onzekerheid: Standaard pipelines bieden zelden gekalibreerde onzekerheidsschattingen of formele mechanismen om ambigue gevallen te identificeren die deskundige beoordeling vereisen.
Beperkte Interpreteerbaarheid: Clusteringresultaten missen vaak klinisch betekenisvolle samenvattingen, zoals representatieve prototypes of visuele verklaringen, waardoor ze moeilijk te inspecteren en te vertrouwen zijn door clinici.

Bovendien kunnen medische foundation-modellen krachtige representaties bieden, maar hun vaste embeddings kunnen niet-klinische artefacten (bijv. acquisitiebiases) coderen en ondersteunen inherent geen onzekerheidsbewuste subgroup-ontdekking.

Methodologie: CUPID-Med
De auteurs stellen CUPID-Med voor, een framework dat is ontworpen om vaste medische embeddings te transformeren naar gekalibreerde, interpreteerbare en onzekerheidsbewuste subgroepen. De architectuur bestaat uit vijf kernstadia:

Medical Foundation Encoding: Het framework maakt gebruik van medische foundation-encoders (of pre-trained backbones zoals DenseNet121) om ruwe inputs (afbeeldingen of multimodale data) in een uniforme representatie te mappen. In de afbeelding-alleen setting (CheXpert) omvat dit patch-embedding en Transformer-gebaseerde verwerking of CNN-feature extractie.
Distributional Latent Representation Learning: In plaats van monsters te mappen naar deterministische punten, representeert CUPID-Med elk monster als een Gaussische distributie $N(\mu_i, \text{diag}(\sigma_i^2))$ . Dit wordt bereikt via een projectiekop die gemiddelde vectoren en log-varianties genereert. Het model gebruikt zelf-gesuperviseerde consistentieverliezen (KL-divergentie tussen geaugmenteerde views) en contrastieve doelstellingen om robuuste latente distributies te leren. Een scalaire onzekerheidsscore $u_i$ wordt afgeleid uit de latente variantie.
Prototype-gebaseerde Diepe Clustering: Het framework onderhoudt een leerbare geheugenbank van $K$ $K$ prototypes die latente ziektesubgroepen vertegenwoordigen. Het optimaliseert een clustering-doelstelling die het volgende combineert:
- Target distributie verfijning (het afstemmen van zachte toewijzingen op een verfijnde target).
- Prototype compactheid (het minimaliseren van de afstand tussen monsters en hun toegewezen prototypes).
- Cluster balans (het stimuleren van uniforme prototype-utilisatie).
- Prototype separatie (het maximaliseren van de afstand tussen verschillende prototypes).
Conforme Onzekerheidskalibratie: Om de behoefte aan betrouwbare beslissingsgrenzen aan te pakken, past CUPID-Med conforme predictie aan voor de ongesuperviseerde setting. Het zet zachte cluster-toewijzingen om in verzameling-gebaseerde voorspellingen (set-valued predictions).
- Een non-conformiteitsscore wordt berekend op basis van lage toewijzingszekerheid en latente onzekerheid.
- Een drempelwaarde wordt geschat op een kalibratieset om distributievrije dekking te garanderen.
- Voor een testmonster is de output een verzameling kandidaat-clusters $\Gamma_\alpha(x)$ . Als de verzameling meerdere clusters bevat of de onzekerheid hoog is, wordt het monster gemarkeerd voor deskundige beoordeling in plaats van te worden gedwongen in een enkel label.
Klinisch Interpreteerbare Outputs: Het systeem genereert "cluster cards" met representatieve afbeeldingen (prototype-nabije monsters), klinische verrijkingsprofielen (indien labels post-hoc beschikbaar zijn) en onzekerheidsdistributies. Visuele verklaringen (bijv. Grad-CAM) worden vermeld als toekomstige extensies, waarbij de huidige focus ligt op prototype-retrieval.

Belangrijkste Bijdragen

Framework Integratie: Het voorstel van een verenigd framework dat medische foundation encoding, distributional latent learning, prototype discovery en conforme kalibratie combineert voor medische clustering.
Onzekerheidsbewuste Toewijzing: De introductie van een conforme strategie die verzameling-gebaseerde voorspellingen produceert, waarmee ambigue gevallen expliciet worden geïdentificeerd voor human-in-the-loop beoordeling in plaats van deterministische labels te bieden.
Prototype-gestuurde Interpreteerbaarheid: Een mechanisme om representatieve monsters voor elke cluster op te halen, wat case-based reasoning en visuele inspectie van ontdekte subgroepen mogelijk maakt.
No-Label Trainingsprotocol: De definitie van een rigoureus evaluatieprotocol op de CheXpert-dataset waarbij ziekte-labels strikt zijn uitgesloten van training en uitsluitend worden gebruikt voor post-hoc klinische verrijking en interpreteerbaarheidsanalyse.

Experimentele Resultaten
Het framework werd geëvalueerd op een subset van 5.000 afbeeldingen van de CheXpert-dataset met behulp van een no-label trainingsprotocol.

Baseline Prestaties: Voorlopige clustering op vaste DenseNet121 embeddings met standaardmethoden (K-means, GMM, Agglomerative) leverde zwakke scheiding op. De beste baseline (K-means, $K=5$ ) behaalde een Silhouette score van 0.0510 en een Davies–Bouldin index van 3.6950.
CUPID-Med Prestaties: De primaire CUPID-Med run ( $K=14$ ) behaalde een Silhouette score van 0.5175, een Davies–Bouldin index van 2.7809, en een Calinski–Harabasz score van 29,733.16.
Secundaire Run: Een secundaire run van 50 epochs vertoonde zelfs hogere interne metrieken (Silhouette: 0.6216), maar vertoonde een 'empty-cluster' waarschuwing, waardoor de auteurs de 80-epoch run als het officiële reproduceerbare resultaat beschouwden.
Observaties: Hoewel CUPID-Med de latente scheiding aanzienlijk verbeterde ten opzien van deterministische baselines, vertoonde de primaire run een cluster-omvang onbalans (variërend van 2 tot 1.132 monsters per cluster), wat aangeeft dat de prototype-balans regularisatie verdere verfijning vereist.

Betekenis en Claims
Het paper claimt dat distributional prototype learning meer gestructureerde en interpreteerbare medische beeld-subgroepen kan produceren dan deterministische clustering van vaste diepe embeddings.

Paradigmaverschuiving: Het werk betoogt voor een beweging van "ondoorzichtige harde clusters" naar "gekalibreerde, interpreteerbare en onzekerheidsbewuste subgroup-ontdekking."
Klinische Bruikbaarheid: Door verzameling-gebaseerde voorspellingen te genereren en onzekere gevallen te markeren, sluit het framework beter aan bij de klinische realiteit, waarin overlappende fenotypes en ambigue bevindingen gebruikelijk zijn.
Bescheidenheid over Implementatie: De auteurs geven expliciet aan dat hoewel de methode superieure interne scheiding en interpreteerbaarheid demonstreert, de geobserveerde cluster-onbalans en de noodzaak voor sterkere balans-regularisatie betekenen dat de methode nog niet klaar is voor stabiele klinische implementatie als tool voor fenotype-ontdekking. De resultaten worden gepresenteerd als een proof-of-concept voor een betrouwbaardere, mensgerichte clustering workflow.