Radiologist-Guided Causal Concept Bottleneck Models for Chest X-Ray Interpretation

Resumo Técnico: Modelos de Gargalo de Causa Guiados por Radiologistas para Interpretação de Radiografias de Tórax

Declaração do Problema
Os Modelos de Gargalo de Conceito (CBMs) visam aprimorar a interpretabilidade na imagem médica ao prever conceitos intermediários, compreensíveis por humanos, antes dos diagnósticos finais. No entanto, os CBMs existentes neste domínio enfrentam três limitações primárias:

1. Viés Discriminativo: A maioria trata os conceitos como características preditivas independentes (Conceito $\rightarrow$ Patologia), ignorando o processo gerativo clínico subjacente onde as doenças causam achados observáveis (Patologia $\rightarrow$ Conceito).
2. Falta de Fundamentação Clínica: Muitas abordagens dependem de conceitos fracamente supervisionados ou latentes que podem não alinhar-se com raciocínio diagnóstico significativo ou definições semânticas estáveis.
3. Associações Espúrias: Sem restrições estruturais explícitas, modelos treinados em conjuntos de dados médicos ruidosos podem aprender correlações implausíveis entre conceitos e patologias que não refletem a lógica diagnóstica do mundo real.

Metodologia: XpertCausal
Os autores propõem o XpertCausal, um CBM causal guiado por radiologistas para interpretação de radiografias de tórax (CXR). A arquitetura segue um pipeline de duas etapas:

1. Previsão de Conceitos: Uma base InceptionV3 (pré-treinada no ImageNet) mapeia CXRs de entrada para um vetor de 11 conceitos clinicamente curados (por exemplo, "Opacidades", "Coração Aumentado") derivados de laudos radiológicos por meio de um pipeline de extração baseado em regras.
2. Inferência Causal de Patologia: Diferentemente dos CBMs padrão, o XpertCausal modela a relação na direção gerativa (Patologia $\rightarrow$ Conceito) usando um framework probabilístico OR-ruidoso.
   • Modelo Gerativo: A probabilidade de um conceito $c_k$ estar presente dado um conjunto de patologias $y$ é modelada como:
     $$P(c_k = 1 | y) = 1 - (1 - \lambda_k) \prod_{j: y_j=1} (1 - \eta_{jk})$$
     onde $\eta_{jk}$ é a força de associação entre a patologia $j$ e o conceito $k$, e $\lambda_k$ é um termo de vazamento.
   • Restrições de Especialistas: A estrutura do modelo é restringida por uma matriz de associação curada por radiologistas. Esta matriz define as relações como Fortes (2), Fracas (1) ou Nenhuma (-), garantindo que apenas vias clinicamente plausíveis existam no grafo causal.
   • Inferência Bayesiana: Na inferência, o modelo gerativo é invertido para estimar as probabilidades de patologia dados os conceitos previstos:
     $$P(y | c) = \frac{P(c | y) P(y)}{\sum_{y'} P(c | y') P(y')}$$
   • Geração de Explicações: As explicações são derivadas ao classificar os conceitos com base em sua contribuição causal (razões de verossimilhança logarítmica) para as patologias previstas, em vez de apenas na confiança da previsão.

Principais Contribuições

1. Arquitetura Inovadora: Introdução do XpertCausal, que combina gargalos de conceitos interpretáveis com modelagem causal probabilística de doenças usando um framework OR-ruidoso e inversão bayesiana.
2. Estrutura Guiada por Especialistas: Integração de associações conceito-patologia definidas por radiologistas como restrições estruturais dentro do grafo causal. Isso impõe um raciocínio fundamentado clinicamente e previne a aprendizagem de dependências implausíveis.
3. Avaliação Abrangente: Uma avaliação rigorosa no conjunto de dados MIMIC-CXR comparando o XpertCausal contra uma linha de base não causal orientada por especialistas (XpertXAI) e um modelo de ablação causal com associações aprendidas sem restrições (Causal (Learned)).

Resultados
Avaliado no conjunto de dados MIMIC-CXR (44.038 pares de CXR-laudos), o XpertCausal demonstrou desempenho superior em múltiplas métricas:

• Previsão de Patologia: O XpertCausal alcançou a maior AUROC média macro (0,7968) e Pontuação F1 (0,7109), superando o XpertXAI não causal (AUROC 0,7361) e o modelo Causal (Learned) sem restrições (AUROC 0,7631). Também alcançou a melhor calibração (Erro de Calibração Esperado de 0,0079).
• Qualidade da Explicação: O XpertCausal capturou a maior proporção de conceitos verdadeiros em $K$ baixo (topo 1–2 conceitos), indicando que classifica achados diagnosticamente relevantes como os mais importantes de forma mais confiável.
• Fidelidade do Grafo: A análise dos pesos de areia aprendidos mostrou que o XpertCausal manteve uma separação forte entre as categorias "Forte", "Fracas" e "Nenhuma" definidas pelos especialistas. Em contraste, o modelo Causal (Learned) sem restrições atribuiu pesos não nulos a associações "Nenhuma" (por exemplo, ligando "Pneumotórax" a "Sem Achados"), refletindo correlações espúrias em vez de lógica clínica.

Significado e Alegações
O artigo alega que incorporar estrutura causal motivada clinicamente e conhecimento de domínio de especialistas em CBMs leva a modelos que não são apenas mais precisos e melhor calibrados, mas também mais alinhados com o raciocínio diagnóstico humano. Ao modelar explicitamente o processo gerativo (Patologia $\rightarrow$ Conceito) e inverter-lo via inferência bayesiana, o XpertCausal fornece um framework onde as explicações estão ligadas ao mecanismo causal da manifestação da doença, em vez de mera correlação estatística. Os autores afirmam que a estrutura causal sozinha é insuficiente em conjuntos de dados médicos ruidosos; sem restrições definidas por especialistas, grafos aprendidos correm o risco de capturar artefatos específicos do conjunto de dados em vez de verdadeiras vias diagnósticas.

Limitações
Os autores reconhecem que o estudo atual é limitado a um espaço de conceitos específico (11 conceitos) e seis rótulos-alvo curados por um único radiologista. Trabalhos futuros são propostos para expandir os espaços de conceitos e patologias, incorporar relações adicionais de especialistas e validar a generalização em conjuntos de dados externos e configurações de imagem.