Automated Genomic Interpretation via Concept Bottleneck Models for Medical Robotics

1. Planteamiento del Problema

La integración de la inteligencia artificial en la robótica médica y la automatización clínica enfrenta un desafío crítico: la naturaleza de "caja negra" de los modelos de aprendizaje profundo tradicionales. En entornos de alta seguridad como la triaje, el manejo de especímenes y la toma de decisiones quirúrgicas, la falta de interpretabilidad socava la confianza clínica.

• Brecha actual: Aunque existen modelos explicables (XAI) para imágenes médicas, hay una exploración limitada en datos de secuencias biológicas (como el ADN). Además, las explicaciones existentes a menudo son solo visualizaciones post-hoc y no se integran en tuberías de decisión automatizadas o robóticas que requieran acciones concretas.
• Objetivo: Desarrollar un módulo de interpretación genómica automatizado que transforme secuencias de ADN crudas en decisiones accionables, interpretables y auditables, capaces de integrarse en sistemas de robótica médica.

2. Metodología Propuesta

El sistema propone un marco unificado que combina la representación visual de secuencias genéticas con modelos de cuello de botella de conceptos (CBM). El flujo de trabajo se divide en las siguientes etapas:

A. Preprocesamiento: Representación del Juego del Caos (CGR)

• Las secuencias de ADN simbólicas (A, C, G, T) se transforman en imágenes bidimensionales fijas utilizando la Representación del Juego del Caos (Chaos Game Representation - CGR).
• Este método es libre de alineación y mapea la secuencia en un cuadrado unitario mediante iteraciones caóticas, generando una imagen de densidad de kernel que captura firmas genómicas evolutivas.
• Las imágenes resultantes (256x256 píxeles) sirven como entrada estandarizada para redes neuronales convolucionales (CNN).

B. Arquitectura del Modelo: Cuello de Botella de Conceptos (CBM)

El modelo fuerza a las predicciones a pasar obligatoriamente por una capa intermedia de conceptos biológicos interpretables:

1. Codificador (CNN): Extrae características latentes ($z$) de la imagen CGR.
2. Cuello de Botella de Conceptos: Un cabezal de regresión predice un vector de conceptos ($\hat{c}$) que incluye atributos biológicos calculables:
   • Contenido de GC.
   • Densidad de CpG.
   • Frecuencias de k-mers (motivos de secuencia).
3. Clasificador: La etiqueta de clase final ($\hat{y}$, ej. subtipos de VIH) se infiere estrictamente a partir del vector de conceptos $\hat{c}$, no directamente de las características latentes.

C. Mecanismos de Regularización y Supervisión

Para garantizar que los conceptos aprendidos sean biológicamente significativos y fiables, se introducen varias funciones de pérdida y restricciones:

• Fidelidad de Conceptos: Supervisión directa comparando los conceptos predichos con los valores calculados determinísticamente a partir de la secuencia.
• Alineación de Priors: Penaliza las desviaciones de las relaciones direccionales conocidas (ej. si un alto contenido de GC implica mayor riesgo, el peso del clasificador debe respetar esta monotonicidad).
• Ajuste de Distribución (KL): Utiliza una cabeza auxiliar basada en características latentes para alinear la distribución de predicciones del cuello de botella con la del modelo completo, preservando la capacidad discriminativa.
• Calibración de Incertidumbre: Se emplea escalado de temperatura y entropía predictiva para estimar la confianza del modelo, crucial para la toma de decisiones médicas.

D. Capa de Recomendación Consciente de Costos

Una capa final traduce las predicciones y la incertidumbre en políticas de decisión accionables para la robótica:

• Define una función de utilidad que equilibra el costo de la acción (ej. "retestear", "revisar", "confirmar"), el riesgo inferido por los conceptos y la incertidumbre del modelo.
• Genera recomendaciones que minimizan retests innecesarios y optimizan la eficiencia clínica.

3. Contribuciones Clave

1. Marco de Percepción Molecular Interpretable: Primera integración de CGR con CBM para discriminación de ADN, permitiendo un razonamiento a nivel molecular que puede incrustarse en pipelines robóticos.
2. Estrategia de Optimización Conjunta: Un esquema de entrenamiento que minimiza simultáneamente la pérdida de clasificación y la pérdida de consistencia de conceptos, utilizando un calendario de "currículo" para estabilizar el aprendizaje de las restricciones.
3. Interfaz de Explicación Accionable: Traduce el proceso de decisión del modelo en evidencia comprensible para el clínico, permitiendo que los robots expliquen su razonamiento.
4. Capa de Recomendación: Cierra el ciclo desde la percepción explicativa hasta la decisión ejecutable, mapeando conceptos a sugerencias de política clínica.

4. Resultados Experimentales

El sistema fue evaluado en dos conjuntos de datos de secuencias del VIH (un conjunto interno de genes gag y una submuestra de la base de datos LANL).

• Rendimiento de Clasificación: El modelo propuesto alcanzó un estado del arte (SOTA), superando a baselines como XGBoost, SVM, CNN estándar y Regresión Logística.
  • Precisión: 0.99 en el conjunto de datos interno y 0.99 en LANL.
  • F1 Score y AUROC: Superiores a todos los métodos comparados (ej. AUROC de 0.93 vs 0.90 en baselines).
• Calidad de Predicción de Conceptos: El modelo demostró una recuperación fiel de los conceptos biológicos:
  • Logró un $R^2$ de 0.874 para el contenido de GC y 0.615 para la densidad de CpG (una mejora del 75% sobre variantes adaptativas anteriores).
  • Las correlaciones de Pearson superaron 0.94 para GC, indicando que los conceptos aprendidos coinciden casi perfectamente con la realidad biológica.
• Fidelidad y Confianza:
  • Suficiencia: Los conceptos por sí solos mantuvieron el 95.8% de la precisión del modelo completo.
  • Necesidad: La eliminación de conceptos clave (como CpG) provocó caídas significativas en la precisión, confirmando que son causalmente relevantes.
  • Calibración: El Error de Calibración Esperado (ECE) se mantuvo bajo (<0.05), y la capa de recomendación redujo las tasas de retesteo innecesario en comparación con políticas basadas en reglas.

5. Significado e Impacto

Este trabajo establece una base fiable para la automatización médica y la integración robótica en la medicina genómica.

• Confianza Clínica: Al proporcionar evidencia intermedia verificable (conceptos biológicos) en lugar de predicciones opacas, el sistema aumenta la confianza de los médicos y robots en entornos críticos.
• Eficiencia Operativa: La capa de recomendación consciente de costos reduce la carga de trabajo manual y los costos asociados con pruebas repetidas innecesarias.
• Generalidad: Aunque se probó con el VIH, el marco es agnóstico a la enfermedad y puede aplicarse a otras tareas genómicas (ej. variantes de SARS-CoV-2, tipado bacteriano), ofreciendo un camino hacia sistemas de diagnóstico colaborativos humano-robot.

En resumen, el artículo demuestra que es posible lograr un alto rendimiento de clasificación sin sacrificar la interpretabilidad, creando un sistema que no solo "predice" sino que "razona" biológicamente, listo para su despliegue en entornos de automatización clínica.