Towards Trustworthy Breast Cancer Diagnosis: A Comparative Explainability Stability Study of DenseNet121 and Vision Transformers

Resumo Técnico: Rumo ao Diagnóstico Confiável do Câncer de Mama

Definição do Problema
Modelos de aprendizado profundo demonstraram alto sucesso na classificação de imagens médicas, particularmente para o diagnóstico de câncer de mama utilizando imagens de histopatologia. No entanto, esses modelos frequentemente funcionam como "caixas pretas", carecendo de interpretabilidade para clínicos, o que compromete a confiança em aplicações de missão crítica. Embora ferramentas de Inteligência Artificial Explicável (XAI), como o SHapley Additive exPlanations (SHAP), forneçam justificativas visuais para as previsões, existe uma lacuna significativa na compreensão da estabilidade e robustez dessas explicações. Especificamente, permanece incerto como a estabilidade da explicação difere entre arquiteturas convolucionais (ex: DenseNet) e arquiteturas baseadas em Transformers (ex: Vision Transformers) quando os dados de entrada sofrem pequenas perturbações, como ruído, mudanças de brilho ou escala de contraste. Sem explicações estáveis, os clínicos podem perder a confiança nos sistemas de diagnóstico automatizados, mesmo que a acurácia da classificação permaneça alta.

Metodologia
Este estudo propõe um framework comparativo para avaliar a estabilidade da explicabilidade do DenseNet121 (uma Rede Neural Convolucional) e do modelo Vision Transformer (ViT) no conjunto de dados de Imagens de Histopatologia de Mama. A metodologia garante uma comparação justa ao treinar ambas as arquiteturas com o mesmo pré-processamento, parâmetros de otimização e configurações de perturbação.

1. Preparação dos Dados: O conjunto de dados foi estratificado em conjuntos de treinamento, validação e teste. As imagens foram redimensionadas para 224x224, normalizadas usando estatísticas do ImageNet e aumentadas com inversão horizontal aleatória.
2. Arquitetura do Modelo:
   • DenseNet121: Utiliza conectividade densa para facilitar o reuso de características e a propagação de gradientes, focando em contextos espaciais locais.
   • Vision Transformer (ViT-B/16): Divide as imagens em patches e utiliza mecanismos de autoatenção para modelar dependências de longo alcance e contexto global.
3. Geração de Explicabilidade: O SHAP (especificamente o GradientExplayer) foi empregado para gerar mapas de atribuição visual para ambos os modelos, destacando as regiões que impulsionam a decisão de classificação.
4. Análise de Estabilidade: Para avaliar a robustez, as imagens de entrada foram submetidas a três tipos de perturbações: ruído Gaussiano, mudança de brilho e escala de contraste.
5. Métricas Quantitativas: A estabilidade das explicações foi medida usando:
   • Similaridade de Cosseno: Para medir a consistência direcional entre as explicações originais e perturbadas.
   • Diferença Absoluta Média (MAD): Para quantificar a magnitude das mudanças nos valores de atribuição.
   • Índice de Similaridade Estrutural (SSIM): Para avaliar a similaridade perceptual.
6. Validação Estatística: Testes t pareados e análise de tamanho de efeito de Cohen foram conduzidos para determinar se as diferenças observadas na estabilidade entre as duas arquiteturas eram estatisticamente significativas.

Principais Contribuições

• Estudo de Estabilidade Comparativo: Este trabalho preenche uma lacuna na literatura ao comparar diretamente a estabilidade da explicação de arquiteturas baseadas em CNN e baseadas em Transformer no contexto de histopatologia mamária, um domínio onde tais comparações são escassas.
• Avaliação de Dupla Métrica: O estudo vai além da acurácia preditiva para avaliar simultaneamente o desempenho da classificação e a robustez dos outputs de XAI sob perturbações de entrada.
• Rigor Estatístico: Diferente de estudos anteriores que podem depender de inspeção visual ou comparações de métrica única, esta pesquisa emprega testes estatísticos rigorosos (testes t e análise de tamanho de efeito) para validar a significância das diferenças de estabilidade.
• Identificação de Trade-off: O artigo identifica e quantifica explicitamente o trade-off entre alta acurácia de classificação/explicações localizadas (DenseNet) e consistência da explicação sob perturbação (ViT).

Resultos Experimentais

• Desempenho de Classificação: O DenseNet121 superou o Vision Transformer em métricas preditivas, alcançando 91% de acurácia e um ROC-AUC de 0,965, comparado aos 89% de acurácia e 0,948 de ROC-AUC do ViT. O DenseNet121 também demonstrou maior sensibilidade e recall para amostras malignas, o que é crítico para minimizar falsos negativos no diagnóstico médico.
• Localização da Explicação: O DenseNet121 produziu mapas de atribuição mais coerentes espacialmente e localizados, alinhando-se de perto com estruturas teciduais diagnosticamente relevantes. Em contraste, as explicações do ViT foram mais distribuídas, refletindo seu mecanismo de atenção global.
• Estabilidade sob Perturbação: O Vision Transformer demonstrou superioridade na estabilidade da explicação. Ele alcançou valores mais altos de Similaridade de Cosseno (0,261 vs. 0,218) e SSIM (0,667 vs. 0,509), e um MAD menor (0,00044 vs. 0,00138) em comparação ao DenseNet121. Isso indica que as explicações do ViT permaneceram mais consistentes quando as imagens de entrada foram alteradas por ruído ou mudanças de contraste.
• Significância Estatística: A diferença na estabilidade da explicação entre os dois modelos foi considerada estatisticamente significativa (p < 0,001), com um tamanho de efeito de Cohen de -0,341, confirmando que a vantagem de estabilidade observada do ViT não se deve ao acaso.

Significância e Alegações
O artigo argumenta que sistemas de IA médica confiáveis devem ser avaliados tanto pela acurácia de classificação quanto pela confiabilidade de suas explicações. Os achados destacam um trade-off crítico: enquanto o DenseNet121 oferece superior acurácia diagnóstica e interpretabilidade localizada, o Vision Transformer fornece explicações mais robustas e consistentes na presença de variações de entrada.

Os autores concluem que, para o suporte à decisão clínica, confiar apenas na acurácia é insuficiente. Futuros frameworks de IA médica devem incorporar a estabilidade das explicações como uma métrica central. O estudo sugere que a escolha da arquitetura deve depender do requisito clínico específico: se a prioridade é a máxima sensibilidade diagnóstica, o DenseNet121 é preferível; se a prioridade é manter a interpretabilidade consistente apesar de inconsistências menores de imagem (comuns em cenários do mundo real), o Vision Transformer oferece uma vantagem distinta. O trabalho ressalta a necessidade de uma avaliação holística dos sistemas de IA para garantir que eles sejam não apenas precisos, mas também clinicamente confiáveis e seguros.