Resumen Técnico: Un Sistema de Aprendizaje Profundo con Inyección de Atención con Visualización Grad-CAM para el Cribado Temprano de Glaucoma

Planteamiento del Problema

La detección del glaucoma, una de las principales causas de ceguera prevenible, depende en gran medida del análisis de imágenes de fondo de ojo. Las Redes Neuronales Convolucionales (CNN) tradicionales, aunque establecidas en el diagnóstico por imágenes médicas, enfrentan limitaciones para capturar detalles infinitesimales y relaciones contextuales globales dentro de las imágenes de fondo de ojo, los cuales son críticos para distinguir los verdaderos positivos de los falsos positivos. Por el contrario, los Vision Transformers (ViT) sobresalen en el modelado del contexto global, pero a menudo carecen de los sesgos inductivos necesarios para detectar características locales sutiles y requieren grandes cantidades de datos. Además, la naturaleza de "caja negra" de muchos modelos de aprendizaje profundo obstaculiza la confianza clínica y la explicabilidad, particularmente en entornos con recursos limitados donde el diagnóstico temprano es vital.

Metodología

La investigación propuesta introduce una arquitectura híbrida de aprendizaje profundo que fusiona las capacidades de extracción de características locales de las CNN con el modelado de contexto global de los Vision Transformers, mediada por un mecanismo de Atención Cruzada (Cross-Attention).

1. Preparación del Conjunto de Datos

El estudio utiliza un conjunto de datos híbrido que combina dos repositorios públicos de imágenes de fondo de ojo:

• ACRIMA: Proveniente de la Universidad de Alicante, España, distribuido en una relación de entrenamiento/prueba de 80:20.
• Drishti: Proveniente de IIIT-Hyderabad (Hospital de Ojos Aravind), distribuido en una relación de 50:50.
• Composición Total: El conjunto de datos combinado comprende 814 imágenes (344 normales, 470 glaucomatosas). El conjunto de entrenamiento contiene 618 imágenes y el conjunto de prueba contiene 196 imágenes.
• Preprocesamiento: Las imágenes se redimensionaron a 224×224 píxeles, se normalizaron (0–1) y se aumentaron mediante jitter de color, giros horizontales aleatorios, transformaciones afines, rotaciones, desenfoque gaussiano y recortes de redimensionamiento aleatorio para abordar el desequilibrio de clases y mejorar la generalización.

2. Arquitectura del Modelo

La innovación central es un modelo de fusión que consta de cinco componentes clave:

• Backbone de CNN: Se emplea EfficientNet-B0 para extraer características locales, tales como los límites del disco/papila óptica y el grosor de la capa de fibras nerviosas, aprovechando su eficiencia y capacidad para manejar datos limitados.
• Vision Transformer (ViT): Utilizado para capturar relaciones contextuales globales a través de la imagen mediante capas de auto-atención, compensando la limitada sensibilidad espacial de la CNN.
• Mecanismo de Atención Cruzada (Cross-Attention): Este módulo facilita el intercambio bidireccional de características entre los flujos de la CNN y el ViT. Pesa de forma adaptativa las características de ambas modalidades para crear una representación fusionada, permitiendo que el modelo priorice dinámicamente las regiones clínicamente relevantes.
• Cabezal de Clasificación: Las características fusionadas pasan por una capa totalmente conectada para la reducción de dimensionalidad, seguida de una capa de clasificación binaria con una función de activación sigmoide.
• Configuración de Entrenamiento: El modelo fue entrenado durante 50 épocas con un tamaño de lote (batch size) de 16 en un Apple Silicon M3 Pro. La optimización utilizó el optimizador Adam con una tasa de aprendizaje de 5e-4, un decaimiento de peso de 1e-4 y un programador CosineAnnealingLR. Se implementó el recorte de gradiente (maxnorm 1.0) y el guardado automático de puntos de control (checkpointing).

3. Explicabilidad

Para abordar la opacidad de los modelos de aprendizaje profundo, el sistema integra Grad-CAM (Gradient-weighted Class Activation Mapping). Esta técnica genera mapas de calor para visualizar las regiones específicas de la imagen de fondo de ojo (por ejemplo, el disco y la copa óptica) que el modelo prioriza durante la clasificación, mejorando así la interpretabilidad para los profesionales médicos.

Contribuciones Clave

• Arquitectura Híbrida: La integración exitosa de EfficientNet-B0 y ViT mediante un módulo de Atención Cruzada, creando un modelo que aprovecha tanto la extracción de características locales como las globales.
• Eficacia de la Atención Cruzada: Demostración de que el intercambio bidireccional de características supera significativamente a la simple concatenación o a los mecanismos de auto-atención en este dominio médico específico.
• IA Explicable (XAI): La aplicación de Grad-CAM para validar que el modelo se enfoca en marcadores clínicamente significativos (agrandamiento del disco/copa óptica, adelgazamiento del reborde neuroretiniano) en lugar de artefactos.
• Generalización Robusta: El uso de un conjunto de datos combinado de múltiples fuentes para mejorar el rendimiento del modelo en diversas poblaciones, destacando específicamente la inclusión de datos de fondo de ojo de la India (Drishti) para apoyar la aplicabilidad global.

Resultados

El modelo híbrido propuesto logró un rendimiento superior en comparación con las líneas base independientes y las variantes sin atención:

• Precisión (Accuracy): El modelo completo (EfficientNet-B0 + ViT + Atención Cruzada) alcanzó una precisión del 94.79% en el conjunto de prueba.
• Rendimiento Comparativo:
  • EfficientNet-B0 + ViT (Concatenación, Sin Atención): 91.67%
  • EfficientNet-B0 + ViT + Auto-Atención: 87.62%
  • Solo ViT: 86.72%
  • Solo EfficientNet-B0: 85.98%
• Métricas de Clasificación: El modelo demostró una precisión (precision) de 0.950 y una exhaustividad (recall) de 0.966 para la clase de glaucoma, con un F1-score general de 0.948.
• Perspectivas de Ablación: El estudio confirma que el mecanismo de Atención Cruzada es el factor crucial para fusionar eficazmente las características globales y locales, ya que el rendimiento cayó significativamente cuando fue reemplazado por auto-atención o eliminado por completo.
• Visualización: Los mapas de calor de Grad-CAM resaltaron correctamente el agrandamiento de los discos y las copas ópticas en las imágenes glaucomatosas, mostrando una activación mínima en ojos sanos con relaciones disco-copa normales.

Significado y Reivindicaciones

El artículo sostiene que esta investigación respalda la semiautomatización del diagnóstico temprano del glaucoma, beneficiando particularmente a los sistemas de atención ocular en países en vías de desarrollo y subdesarrollados. Al combinar aprendizaje profundo de alto rendimiento con visualización explicable, el sistema busca:

1. Mejorar la Confianza Clínica: Proporcionar a los médicos evidencia interpretable (mapas de calor) para validar los diagnósticos impulsados por IA.
2. Mejorar la Generalización: Ofrecer un modelo capaz de manejar desequilibrios de clases y diversas fuentes de datos sin un sobreajuste severo.
3. Facilitar el Despliegue: Los autores expresan su anticipación por desplegar el modelo en plataformas de nube de código abierto (por ejemplo, AWS, Google Cloud) para permitir pruebas en tiempo real e improvisación continua del modelo, ayudando finalmente en el tratamiento oportuno de la ceguera prevenible.

Los autores sostienen que, si bien el modelo muestra un ligero sobreajuste en las fluctuaciones de la pérdida de prueba, sus capacidades generales de generalización e interpretabilidad lo convierten en un candidato de vanguardia para la integración clínica en el mundo real.