A generative adversarial optimization strategy for predicting counterfactual trajectories of grey matter atrophy
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Counterfactual explanations offer valuable insights into the behavior of machine learning models by describing hypothetical scenarios that would lead to different outcomes. In the biomedical domain, such as neuroimaging for Multiple Sclerosis (MS), counterfactual reasoning has the potential to enhance understanding of disease mechanisms and treatment effects. However, generating anatomically plausible counterfactuals that generalize well to unseen data remains a major challenge. METHODS: We propose an optimization-based adversarial framework for generating realistic counterfactual trajectories of cortical grey matter (GM) thickness in MS patients. The method uses the gradients of a pre-trained MS classifier to guide the generation process towards a desired disease state while enforcing anatomical constraints and disentangling disease-relevant signals from confounding factors such as age and sex. RESULTS: Our approach successfully produces plausible counterfactual GM thickness maps that reflect known anatomical patterns of MS progression. The generated trajectories maintain consistency with biological structure and improve interpretability of model decisions. On held-out test data, our method achieves a classification AUC of 0.893 and demonstrates strong confounder preservation, with a Mean Absolute Deviation Error (MADE) of 8.72 years for age and 0.14 for sex, and a cosine distance of 0.11 when comparing original and counterfactual instances. The ability to alter the predicted disease state while preserving the confounding variables highlights the strong disentanglement capability of our model. These results confirm the method's effectiveness in generating realistic and anatomically coherent counterfactuals, outperforming state-of-the-art baselines across multiple metrics. CONCLUSIONS: This study introduces a novel counterfactual generation method that provides interpretable, anatomically grounded explanations of MS progression. The framework serves as a powerful tool for hypothesis generation and model validation in biomedical imaging studies, particularly where understanding disease mechanisms is crucial.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».