Resumen Técnico: Un enfoque basado en conceptos para la detección de trastornos de la voz

Planteamiento del problema

Los trastornos de la voz afectan a una parte significativa de la población, sin embargo, los métodos de diagnóstico actuales suelen depender de procedimientos clínicos invasivos. Si bien las redes neuronales profundas (DNN) recientes, particularmente aquellas basadas en arquitecturas Transformer, han demostrado un rendimiento prometedor en la clasificación de voces patológicas frente a eufónicas mediante el análisis de audio no invasivo, sufren de una limitación crítica: la opacidad. Estos modelos operan como "cajas negras", proporcionando salidas sin explicar el proceso de toma de decisiones. En el sensible contexto de la atención médica, esta falta de interpretabilidad plantea preocupaciones éticas y legales, dificultando la confianza y la adopción clínica de los diagnósticos impulsados por IA. El artículo aborda la necesidad de una herramienta de diagnóstico que mantenga un alto rendimiento predictivo ofreciendo, al mismo tiempo, un marco de decisión transparente e interpretable.

Metodología

Los autores proponen un enfoque basado en conceptos utilizando IA explicable (XAI), centrándose específicamente en Modelos de Cuello de Botella de Conceptos (CBM) y Modelos de Incrustación de Conceptos (CEM). La metodología consiste en un proceso de dos etapas:

1. Anotación de conceptos mediante Grandes Modelos de Lenguaje (LLM)

Dado que el conjunto de datos objetivo (Italian Pathological Voice - IPV) contiene anamnesis textuales no estructuradas (historial médico) en lugar de conceptos preetiquetados, los autores desarrollaron un flujo de trabajo para extraer 14 conceptos candidatos de estos textos.

• Extracción: Utilizaron un LLM (específicamente Gemini-pro, seleccionado tras realizar pruebas comparativas con Mistral 7B) para analizar la anamnesis y generar un objeto JSON estructurado que contuviera los valores de los conceptos.
• Definición de conceptos: El conjunto inicial incluyó 14 conceptos (por ejemplo, tabaquismo, uso profesional de la voz, severidad de la disfonía, onda mucosa irregular, aspereza, disfonía/soplo).
• Refinamiento: Mediante la consulta con expertos médicos, el conjunto fue refinado. Se excluyeron los conceptos que requerían exámenes físicos invasivos (por ejemplo, colores de la mucosa específicos). Otros fueron fusionados (por ejemplo, "disfonía leve-moderada" se fusionó con "moderada"). El conjunto final consta de 9 conceptos predictibles (derivados del audio/anamnesis a través del modelo) y 5 conceptos proporcionados por el paciente (por ejemplo, género, estado de tabaquismo). Los conceptos predictibles se alinean en gran medida con la escala GRBAS (Grado, Roughness/Aspereza, Asthenia/Astenia, Strain/Esfuerzo).
• Codificación: Los conceptos multiclasificación (por ejemplo, severidad de la disfonía) se codificaron mediante one-hot encoding, resultando en un total de 20 dimensiones de conceptos antes de la selección final.

2. Arquitectura del modelo

El marco propuesto utiliza HuBERT, un Transformer de audio preentrenado, como extractor de características para generar incrustaciones (embeddings) de audio. Se implementan dos arquitecturas:

• Modelo de Cuello de Botella de Conceptos (CBM): Las incrustaciones de audio pasan a través de una cabeza de clasificación para predecir los valores binarios de los 9 conceptos (el "cuello de botella"). Estos conceptos predichos se concatenan con los 5 conceptos proporcionados por el paciente. Un segundo clasificador mapea este vector de conceptos combinado hacia el diagnóstico binario final (patológico vs. eufónico). Crucialmente, el clasificador final no tiene acceso a la señal de audio original, dependiendo exclusivamente de los conceptos.
• Modelo de Incrustación de Conceptos (CEM): Similar al CBM, pero en lugar de predecir logits binarios, la capa de cuello de botella aprende dos incrustaciones distintas para cada concepto (estados activos e inactivos). La predicción final es una combinación ponderada de estas incrustaciones basada en la probabilidad predicha de que el concepto esté activo.

3. Estrategia de entrenamiento

Los modelos se entrenan utilizando una función de pérdida conjunta que minimiza tanto la pérdida de concepto (precisión de la predicción de los conceptos intermedios) como la pérdida de la tarea (precisión del diagnóstico final). Un hiperparámetro $\lambda$ equilibra estas pérdidas. Los autores emplearon una estrategia de calentamiento (warm-up), congelando la pérdida de la tarea durante las dos primeras épocas para priorizar el aprendizaje de representaciones de conceptos robustas antes de optimizar la clasificación final.

Contribuciones clave

1. Aplicación de XAI basada en conceptos a los trastornos de la voz: Este es el primer trabajo que aplica arquitecturas CBM y CEM específicamente a la detección de patologías de la voz, yendo más allá de los enfoques estándar de extremo a extremo de caja negra.
2. Flujo de trabajo de extracción automatizada de conceptos: El artículo demuestra un flujo de trabajo novedoso utilizando LLMs para extraer conceptos médicos de alto nivel a partir de texto clínico no estructurado (anamnesis) para servir como verdad de terreno (ground truth) para el entrenamiento de modelos basados en conceptos.
3. Interpretabilidad sin pérdida de rendimiento: El estudio valida que los modelos basados en conceptos pueden lograr un rendimiento comparable al de los Transformers de extremo a extremo de última generación, proporcionando justificaciones explícitas para sus predicciones en términos de características clínicamente relevantes (por ejemplo, "disfonía", "aspereza").

Resultados

Los experimentos se realizaron en el conjunto de datos Italian Pathological Voice (IPV), que comprende 513 pacientes (170 eufónicos, 340 disfónicos), con 385 casos que contienen anamnesis escrita. El estudio utilizó validación cruzada de 10 pliegues (10-fold cross-validation).

• Anotación de conceptos: El modelo Gemini-pro alcanzó una precisión de concepto del 98.65% y un F1 macro de 98.10% en un conjunto de validación anotado manualmente, superando a Mistral 7B.
• Detección de trastornos de la voz:
  • Línea base (Baseline): Un modelo HuBERT estándar de extremo a extremo con una cabeza de clasificación de 2 capas logró una Precisión de la Tarea del 91.33% y un F1 de 0.9085.
  • Modelos basados en conceptos:
    • CBM: Logró una Precisión de la Tarea del 87.76% y un F1 de 0.8566, con una precisión de concepto del 84.43%.
    • CEM: Logró una Precisión de la Tarea del 87.30% y un F1 de 0.8599, con una precisión de concepto del 84.50%.
  • CBM Ideal: Cuando se le proporcionaron etiquetas de conceptos de verdad de terreno (simulando una extracción de conceptos perfecta), el CBM alcanzó un 90.52% de precisión, igualando casi al modelo de la línea base de extremo a extremo.

Los resultados indican que la caída en el rendimiento de los modelos reales basados en conceptos se debe principalmente a la naturaleza imperfecta de las anotaciones de conceptos generadas por el LLM (aprox. 84.5% de precisión), más que a una limitación fundamental de la arquitectura. Los modelos aprendieron con éxito a utilizar conceptos como "disfonía", "soplo" y "aspereza" para justificar el diagnóstico final.

Significado y afirmaciones

El artículo afirma que los modelos basados en conceptos representan un paso significativo para hacer que la IA en la atención médica sea transparente y confiable. Al vincular explícitamente el diagnóstico final con conceptos intermedios comprensibles para el humano (como los parámetros de la escala GRBAS), estos modelos permiten a los clínicos verificar el razonamiento detrás de una predicción. Los autores sostienen que, si bien el enfoque de extremo a extremo sigue siendo ligeramente más preciso, el enfoque basado en conceptos ofrece un rendimiento "competitivo" con la ventaja distintiva de la interpretabilidad, permitiendo que los expertos humanos intervengan o deriven predicciones contrafácticas. Los autores mantienen la modestia, reconociendo que la brecha de rendimiento actual se atribuye en gran medida a la calidad de las anotaciones de conceptos automatizadas y que el trabajo futuro podría mejorar el sistema integrando vocales sostenidas y herramientas de reporte generativo.