[論文レビュー] High Fidelity Image Counterfactuals with Probabilistic Causal Models

Fabio De Sousa Ribeiro, Tian Xia+3 more|arXiv (Cornell University)|Jun 27, 2023

Machine Learning in Healthcare被引用数 4

ひとこと要約

本論文は、確率的構造的因果モデルを用いて、因果中介分析と変分推論を活用し、高精細な画像反事後を生成する深層生成的因果フレームワークを提案する。画像データにおける直接効果、間接効果、総合的効果の正確な推定を可能にし、医療画像ベンチマークにおいて効果性および合成性の公理的妥当性を示している。

ABSTRACT

We present a general causal generative modelling framework for accurate estimation of high fidelity image counterfactuals with deep structural causal models. Estimation of interventional and counterfactual queries for high-dimensional structured variables, such as images, remains a challenging task. We leverage ideas from causal mediation analysis and advances in generative modelling to design new deep causal mechanisms for structured variables in causal models. Our experiments demonstrate that our proposed mechanisms are capable of accurate abduction and estimation of direct, indirect and total effects as measured by axiomatic soundness of counterfactuals.

研究の動機と目的

• 高次元の構造的データ（例：医用画像スキャン）に対する正確で高精細な反事後画像を推定する課題に対処すること。
• 深層生成フレームワーク内での因果中介分析を用いて、画像変数における直接的、間接的、総合的因果効果の推定を可能にすること。
• 反事後が公理的性質（効果性および合成性）を満たすように保証することで、因果的妥当性を検証すること。
• 説明可能性、データ拡張、公平性、耐障害性の応用を、医療画像などの安全が求められる分野で支援すること。
• ピアールの因果の段階の3段階（関連、介入、反事後推論）を満たすことで、深層学習におけるギャップを埋めること。

提案手法

• マルコフ確率的因果モデルを採用し、終局的変数（例：画像）と外部的ノイズ変数を含み、有向無閉路グラフ（DAG）によって構造化する。
• 変分オートエンコーダ（HVAE）に基づく深層因果メカニズムを導入し、構造的割り当てとともにエンドツーエンドで訓練する画像生成に用いる。
• 子変数から親変数を推定するために、MLPまたはCNNを用いて因果的逆方向（子から親へ）に親予測子を訓練する。
• 制約付き最適化をラグランジュ形式を用いて実装し、介入制約を満たしつつ画像の忠実度を保持する反事後生成を達成する。
• 推論にはモデルパラメータの指数移動平均を用い、訓練時にはデータ拡張（ランダムクロップ、反転）を適用する。
• 主なイノベーションは、反事後学習と評価のための独立したアンチカウザル予測子を別々に訓練することで、ショートカット学習を防止することである。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、因果の公理的性質を満たす高精細な画像反事後を生成できるか？
• RQ2 因果中介分析を用いて、画像レベルの変数における直接的、間接的、総合的因果効果をどの程度正確に推定できるか？
• RQ3 提案フレームワークは、先行手法と比較して反事後の効果性および合成性をどの程度向上させるか？
• RQ4 データが限られる医療画像設定でも、本モデルは誤った相関を最小限に抑え、妥当な反事後を生成できるか？
• RQ5 アンチカウザル親予測子の使用は、反事後学習中にショートカット学習を緩和するか？

主な発見

• 提案フレームワークは、脳MRIおよび胸部X線データセットにおいて高精細な反事後画像生成を達成し、定性的な結果から妥当な画像編集がなされていることが示された。
• UK Biobankデータでは、性別予測子のROCAUCが0.9764 ± 2e-3を達成し、MRI予測子は完全なROCAUC1.0を達成した。これは親属性推定の強力な性能を示している。
• UK Biobankにおける年齢予測子は、平均絶対誤差（MAE）4.847 ± 7e-4年を達成し、正確な回帰性能を示した。
• 脳容量および脳室容量予測子は、それぞれMAEが26.77 ± 0.39 mlおよび1.958 ± 3e-2 mlを達成し、体積推定において高い精度を示した。
• MIMIC-CXRでは、性別、人種、疾患予測子のROCAUCはそれぞれ0.9950、0.7496、0.9419を達成し、多様な臨床的属性において優れた性能を示した。
• 反事後学習は、脳MRIで約10,000イテレーション、胸部X線で6,500イテレーションで収束し、ラグランジュ形式を用いた安定した最適化が達成された。