EXPOSE : effacer les dimensions qui encodent le scanner dans un modèle de fondation en pathologie fait gagner 0,75 point d'AUROC — au prix de 91 % des dimensions supprimées

Sept auteurs du Centre médical universitaire Hambourg-Eppendorf entraînent un autoencodeur parcimonieux sur les représentations d'un modèle de fondation en pathologie, identifient les dimensions qui encodent le scanner et le protocole de coloration plutôt que la tumeur, et les effacent. Sur la prédiction de récidive à cinq ans du cancer de la prostate, masquer 3 500 des 3 840 dimensions fait gagner 0,75 point d'AUROC en moyenne sur quatre variantes de protocole jamais vues à l'entraînement. Le gain est réel mais minuscule, aucun test de significativité n'est rapporté, et les domaines comparés proviennent tous du même hôpital.

Le contexte

Un modèle de fondation en vision (vision foundation model, VFM) appliqué à la pathologie est un réseau entraîné sans étiquettes sur des millions de vignettes de lames histologiques, dont on réutilise ensuite les représentations pour toutes sortes de tâches en aval : grader une tumeur, prédire une mutation, estimer un pronostic. On ne le réentraîne pas. On lui demande de transformer une image de tissu en un vecteur de quelques centaines de nombres — l'embedding, ou représentation — et on branche dessus un petit classifieur. C'est aujourd'hui l'architecture par défaut de la pathologie numérique.

Le talon d'Achille de cette architecture est le décalage de domaine. Deux coupes du même bloc tissulaire, découpées à des épaisseurs différentes, colorées pendant des durées différentes ou numérisées sur deux scanners différents, produisent des embeddings différents. Le réseau n'a pas seulement encodé la biologie : il a aussi encodé le laboratoire. Quand un modèle entraîné dans un hôpital est appliqué dans un autre, la performance chute — c'est le mode d'échec le mieux documenté du domaine. Sur le fond, c'est un cas de shortcut learning : le réseau apprend une corrélation parasite, la signature de l'appareil et du protocole, en même temps que le signal qu'on croyait lui apprendre.

L'idée de l'équipe de Hambourg vient de l'interprétabilité des grands modèles de langage. Un autoencodeur parcimonieux (sparse autoencoder, SAE) est un petit réseau entraîné à reconstruire un embedding en passant par une couche intermédiaire beaucoup plus large, mais dont on force la quasi-totalité des unités à rester à zéro. L'intuition, popularisée depuis 2023 sur les modèles de langage : dans un espace comprimé, chaque dimension mélange plusieurs concepts à la fois ; dans un espace large et parcimonieux, chaque concept a de la place pour occuper sa propre dimension. Si cela vaut aussi en pathologie, alors les dimensions scanner et les dimensions tumeur devraient être séparables — et on devrait pouvoir effacer les premières sans abîmer les secondes. C'est exactement l'hypothèse que ce papier met à l'épreuve.

La méthode

Les données. Une cohorte interne de l'hôpital universitaire de Hambourg-Eppendorf : 69 251 images de spots de tissue microarray (des carottes de tissu de quelques millimètres, disposées en damier sur une même lame) provenant de 17 700 patients opérés d'une prostatectomie radicale entre 1992 et 2014. Après filtrage sur la qualité d'image et la disponibilité des informations cliniques, il reste 24 588 images, réparties en six sous-jeux. Le critère de jugement est binaire : récidive à cinq ans, définie de manière composite — récidive biochimique, traitement supplémentaire non planifié, métastase ou décès lié au cancer de la prostate. Seuls les patients avec au moins cinq ans de suivi documenté, ou une récidive survenue dans les cinq ans, sont inclus.

Les six domaines. C'est le point le plus soigné du dispositif. Les auteurs n'ont pas cherché des décalages de domaine dans la nature : ils les ont fabriqués, un facteur à la fois. ScanA (8 141 images) est le protocole standard — coupe de 2,5 µm, coloration hématoxyline-éosine de durée normale, scanner Aperio à 40x. ScanB (8 141 images) est exactement le même tissu, recalé image par image, numérisé sur un scanner 3DHistech à 80x : seul l'appareil change. ScanA.thin (1 951) et ScanA.thick (1 950) sont d'autres coupes du même bloc à 1 µm et 10 µm. ScanA.long (1 951) applique une coloration dix fois plus longue. ScanA.spot (8 181) prélève une seconde carotte, donc une autre région de la prostate. ScanA et ScanB constituent le domaine d'entraînement (in-domain) ; les quatre autres servent de test hors domaine (out-of-domain) et ne sont jamais vus à l'entraînement.

Le pipeline. Le modèle de fondation est H0-mini, version distillée de H-Optimus-0, gelé, qui produit des vecteurs de 768 dimensions. Sur ces représentations, les auteurs entraînent un SAE à activation ReLU avec un facteur d'expansion de 5 : la couche parcimonieuse compte donc 3 840 dimensions. La parcimonie est obtenue par une pénalité L1 de coefficient 1e-5, et non par les mécanismes plus récents de type TopK ou JumpReLU. Les activations parcimonieuses sont moyennées sur tous les jetons d'une image, puis on entraîne dessus un simple classifieur linéaire de récidive.

L'identification et le masquage. Pour repérer les dimensions de domaine, les auteurs entraînent un classifieur linéaire ScanA contre ScanB — un discriminateur de scanner — sur les paires d'images recalées. Les dimensions sont ensuite classées par poids, et les k plus fortement associées à ScanB sont mises à zéro par un masque binaire fixe. Trois stratégies de sélection sont comparées (poids positifs les plus élevés, poids négatifs les plus bas, valeur absolue la plus élevée) ; c'est la première qui est retenue. k est balayé de 2 à 3 500. Point important : le modèle de fondation n'est jamais réentraîné, et le masque, une fois calculé, s'applique en aveugle à toute image — aucune étiquette de domaine n'est nécessaire au moment de l'inférence.

Le protocole. Le SAE et le classifieur de domaine sont entraînés sur ScanA et ScanB (70/15/15, stratification au niveau du patient). Le classifieur de récidive, lui, n'est entraîné que sur ScanA seul. Les résultats sont des moyennes sur cinq graines aléatoires, rapportées avec leur écart-type. Les auteurs introduisent enfin un indice maison, le DoRI (Domain Robustness Index) : pour chaque embedding, on regarde ses 20 plus proches voisins et on compare la fréquence à laquelle ils partagent la même étiquette de récidive à la fréquence à laquelle ils partagent le même domaine, chacune normalisée par son espérance sous distribution uniforme. Un DoRI positif signifie que l'étiquette structure l'espace davantage que le domaine ; un DoRI négatif, l'inverse.

Les résultats

Dans le domaine, le SAE aide un peu. Le modèle de base — embedding H0-mini brut plus classifieur linéaire — atteint une AUROC de 68,20 sur ScanA et 68,58 sur ScanB. Le passage par le SAE sans masquage fait monter la moyenne in-domain de 68,39 à 69,32, et le masquage de 256 dimensions à 69,57, soit +1,18 point. Rappelons ce que signifie une AUROC de 0,69 : si l'on tire au hasard un patient qui a récidivé et un patient qui n'a pas récidivé, le modèle classe correctement la paire environ 69 fois sur 100, contre 50 fois sur 100 par pur hasard. C'est un signal pronostique modeste, ce que les auteurs ne prétendent d'ailleurs pas dissimuler.

Hors domaine, le SAE seul dégrade, et il faut tout masquer pour gagner. C'est le résultat central. La moyenne hors domaine du modèle de base est de 61,42. Le SAE sans masquage la fait descendre à 60,87 (−0,54). Le masquage de 256 dimensions ne suffit pas à revenir au niveau de départ (61,03, soit −0,39). Il faut monter à k = 3 500 dimensions masquées sur 3 840 — il n'en reste que 340 actives — pour atteindre 62,16, soit +0,75 point sur le modèle de base. Le détail par domaine est instructif : ScanA.spot passe de 65,38 à 67,74, ScanA.thick de 58,17 à 59,62, ScanA.long de 61,67 à 62,67, mais ScanA.thin régresse, de 60,48 pour le modèle de base à 58,63 au mieux pour les variantes masquées. Le décalage d'épaisseur de coupe reste, de l'aveu des auteurs, difficile.

Le contrôle par masquage aléatoire. Les auteurs comparent leur sélection par poids du classifieur de domaine à un masquage du même nombre de dimensions tirées au hasard. Le DoRI augmente régulièrement avec le masquage guidé, alors que le masquage aléatoire ne produit que des changements mineurs jusqu'à k = 1 024. Mais le résultat le plus parlant est ailleurs : quand on calcule le DoRI sur l'espace combinant domaine d'entraînement et domaines de test, il reste négatif à tous les niveaux de masquage. Autrement dit, même après avoir effacé 91 % des dimensions, le domaine continue de structurer l'espace de représentation davantage que le pronostic. Les auteurs écrivent d'ailleurs eux-mêmes que la séparation est partielle.

Ce qui est bien

Le jeu de données est conçu, pas trouvé. Six variantes où un seul facteur change à la fois — scanner, épaisseur de coupe, durée de coloration, région tissulaire — dont deux constituées d'images recalées du même spot sur deux appareils. Dans une littérature où le décalage de domaine est presque toujours étudié en comparant deux hôpitaux qui diffèrent par vingt paramètres simultanés, cette conception expérimentale permet d'attribuer un effet à une cause. Elle a un coût, on y revient, mais elle est rare et elle est propre.

Le contrôle négatif est présent. Comparer le masquage guidé à un masquage aléatoire du même nombre de dimensions est l'expérience évidente que beaucoup d'articles omettent. Sans elle, on ne saurait pas distinguer un effet de suppression du bruit d'un effet de suppression du domaine. Les auteurs la font, et elle sépare bien les deux régimes jusqu'à k = 1 024.

L'intervention est légère et le code est public. Le modèle de fondation n'est jamais réentraîné, ce qui met la méthode à portée d'une équipe sans GPU de calcul intensif. Le masque est calculé une fois puis appliqué en aveugle : aucune étiquette de domaine n'est requise en inférence, contrainte qui disqualifie beaucoup de méthodes d'adaptation de domaine en pratique clinique. Le dépôt est ouvert sous licence CC BY 4.0.

Ce qui est moins bien

L'effet est de la taille du bruit, et la configuration gagnante est choisie sur le jeu de test. Le gain hors domaine de 0,75 point s'accompagne d'un écart-type inter-domaines de 3,64, et aucun test de significativité, aucun intervalle de confiance n'est rapporté — seulement des écarts-types sur cinq graines. Plus gênant : la meilleure configuration in-domain (k = 256) n'est pas la meilleure hors domaine (k = 3 500), et rien dans le papier n'indique comment on aurait choisi k = 3 500 sans regarder les résultats hors domaine. Or ces quatre sous-jeux sont précisément ce qui tient lieu de validation. Sélectionner un hyperparamètre sur son jeu de test produit mécaniquement une estimation optimiste : c'est une variante de métrique trompeuse, et elle suffit à expliquer un écart de cet ordre de grandeur.

Il n'y a aucune validation externe, et la population est étroite. Les six domaines proviennent des mêmes blocs tissulaires, des mêmes patients, du même institut de pathologie. Aucun jeu public — TCGA, PANDA — ni aucune autre institution n'est mobilisé. Ce que le papier démontre, c'est la robustesse à un changement d'appareil et de protocole chez soi, ce qui n'est pas le décalage qui fait échouer les modèles en déploiement. S'y ajoute un biais de population classique : cohorte monocentrique allemande, recrutée entre 1992 et 2014, limitée aux patients opérés d'une prostatectomie radicale, sans aucune donnée démographique rapportée. Le papier ne comporte par ailleurs ni déclaration de conflits d'intérêts, ni déclaration de disponibilité des données, ni mention d'approbation éthique — le financement, lui, est détaillé (plusieurs projets DFG SFB).

Effacer 91 % des dimensions n'est pas un goulot d'étranglement explicable. C'est la limite conceptuelle. La promesse d'un autoencodeur parcimonieux est d'isoler quelques dimensions interprétables portant l'information de domaine. Ici, masquer 256 dimensions ne suffit pas hors domaine ; il faut en retirer 3 500 sur 3 840 pour obtenir un gain, et le DoRI combiné reste négatif même à ce niveau. L'interprétation la plus économe n'est donc pas que l'information de domaine était concentrée et a été retirée, mais qu'elle est distribuée sur presque toutes les dimensions, et qu'un masquage massif finit par la diluer. Les auteurs reconnaissent d'ailleurs deux limites — un seul modèle de fondation, un seul type de SAE, et une seule paire de domaines pour identifier les dimensions — mais pas celle-ci. À quoi s'ajoute une contrainte pratique peu discutée : la méthode exige, au moment du développement, des images appariées et recalées du même tissu sur deux scanners, ce dont très peu de laboratoires disposent.

Ce que ça change

Pour la communauté de recherche. Le résultat le plus réutilisable n'est pas EXPOSE, c'est le jeu de données. Six variantes de protocole contrôlées une à une, sur les mêmes patients, avec des paires recalées entre deux scanners : c'est un banc d'essai de décalage de domaine mieux conçu que la plupart de ceux qui circulent, et il permettrait de comparer proprement les méthodes de normalisation de coloration, d'augmentation et d'adaptation. Le second enseignement est négatif, et c'est le plus utile : sur cette cohorte, l'hypothèse de superposition des concepts — chaque dimension parcimonieuse portant un concept séparable — ne tient que partiellement, et les gains obtenus en la supposant vraie sont de l'ordre du point d'AUROC.

Pour les cliniciens et les équipes de déploiement. Rien ne change dans la pratique aujourd'hui. Un modèle pronostique à 0,62 d'AUROC hors domaine ne remplace ni le score de Gleason, ni le stade, ni le PSA post-opératoire, et le papier ne le compare d'ailleurs à aucun de ces facteurs cliniques établis — un comparateur qu'on aurait aimé voir. La leçon transposable est plus prosaïque : lorsqu'on change de scanner ou de protocole de coloration dans un laboratoire, un modèle déjà validé sur les anciennes lames doit être revalidé sur les nouvelles. Ce papier chiffre l'ampleur du problème (jusqu'à dix points d'AUROC perdus entre variantes de protocole) mieux qu'il ne le résout.

Pour les patients et le public. Aucun outil issu de ce travail n'est en évaluation clinique, prospective ou réglementaire. Ce que l'article illustre, en revanche, mérite d'être connu hors du champ technique : une intelligence artificielle entraînée sur des images médicales n'apprend pas seulement la maladie. Elle apprend aussi, et souvent aussi fortement, l'appareil qui a produit l'image et la main qui a préparé l'échantillon. Séparer les deux reste, en 2026, un problème ouvert.

Pour aller plus loin

Le préprint : EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders, arXiv:2608.28191, déposé le 28 août 2026, licence CC BY 4.0. Le code est publié sur github.com/imsb-uke/expose. Le modèle de fondation utilisé est H0-mini, version distillée de H-Optimus-0. Le jeu de données de prostate est interne au Centre médical universitaire Hambourg-Eppendorf et n'est pas décrit comme accessible.