Weakly Supervised Pneumonia Localization from Chest X-Rays Using Deep Neural Network and Grad-CAM Explanations

Resumen Técnico: Localización de Neumonía con Supervisión Débil en Radiografías de Tórax

Planteamiento del Problema
La neumonía sigue siendo una de las principales causas de morbilidad y mortalidad mundial, y las radiografías de tórax sirven como la principal herramienta diagnóstica. Sin embargo, el diagnóstico preciso suele verse obstaculizado por lesiones sutiles, la variabilidad de los radiólogos y la naturaleza de "caja negra" de los modelos de aprendizaje profundo. Si bien las Redes Neuronales Convolucionales (CNN) y los Vision Transformers (ViT) han mostrado capacidades de clasificación de vanguardia, generalmente carecen de interpretabilidad. Además, los métodos de localización totalmente supervisados requieren anotaciones a nivel de píxel costosas (por ejemplo, máscaras de segmentación o cuadros delimitadores), que son difíciles de adquirir a escala. Este estudio aborda el doble desafío de lograr una alta precisión diagnóstica sin etiquetas a nivel de píxel, proporcionando al mismo tiempo explicaciones clínicamente significativas y transparentes para las decisiones del modelo.

Metodología
Los autores proponen un marco de aprendizaje con supervisión débil (WSL, por sus siglas en inglés) unificado que utiliza únicamente etiquetas a nivel de imagen (normal frente a neumonía) para realizar tanto la clasificación como la localización espacial. La metodología central consiste en:

• Curación de Datos: El estudio utiliza el conjunto de datos de radiografía de tórax disponible públicamente [3]. Para evitar la fuga de datos, los autores re-particionaron los datos a nivel de paciente (70% entrenamiento, 15% validación, 15% prueba), asegurando que ningún ID de paciente apareciera en múltiples divisiones. Las imágenes se redimensionaron a 224×224, se convirtieron a pseudo-RGB y se aumentaron con rotaciones, giros, ajustes de brillo y ruido.
• Evaluación Comparativa de Modelos (Benchmarking): Se evaluaron siete arquitecturas pre-entrenadas bajo idénticas condiciones de entrenamiento:
  • CNN: ResNet-18, ResNet-50, DenseNet-121, EfficientNet-B0, MobileNet-V2 y MobileNet-V3.
  • Transformer: Vision Transformer (ViT-B/16).
• Estrategia de Entrenamiento: Todos los modelos fueron inicializados con pesos de ImageNet. Para abordar el severo desequilibrio de clases (404 normales frente a 3,692 imágenes de neumonía), los autores emplearon Focal Loss (reduciendo el peso de las muestras fáciles) y sobremuestreo aleatorio de la clase minoritaria. El entrenamiento utilizó el optimizador Adam con parada temprana basada en el ROC-AUC de validación.
• Localización mediante Grad-CAM: Para generar mapas de calor sin una verdad de campo a nivel de píxel, el estudio aplicó el Mapeo de Activación de Clase ponderado por Gradiente (Grad-CAM).
  • Para las CNN, los gradientes se computaron desde la última capa convolucional.
  • Para el ViT, la formulación se adaptó para capturar activaciones y gradientes de la última capa MLP del último codificador de transformador, tratando los embeddings de parches como unidades espaciales.
• Evaluación Cuantitativa: Dado que no se disponía de máscaras a nivel de píxel, se introdujo una Relación de Atención Pulmonar (LAR). Esta métrica calcula la proporción de la energía de activación de Grad-CAM que cae dentro de una región de interés (ROI) pulmonar gruesa y fija, sirviendo como un sustituto de la consistencia anatómica.

Resultos Clave

• Desempeño de Clasificación: Los siete modelos lograron un alto desempeño discriminativo, con precisiones de prueba que oscilaron entre el 96% y el 98%.
  • ResNet-18 y EfficientNet-B0 alcanzaron la mayor precisión de prueba (98%) y puntuaciones F1 (0.987), con valores de ROC-AUC y PR-AUC superiores a 0.997.
  • MobileNet-V3 ofreció una precisión comparable (97%) con un recuento de parámetros significativamente menor (4.9M), demostrando su idoneidad para entornos con recursos limitados.
  • Los modelos más profundos como ResNet-50 y DenseNet-121 mostraron una generalización ligeramente inferior, lo que sugiere un ligero sobreajuste (overfitting).
• Localización e Interpretabilidad:
  • Las visualizaciones de Grad-CAM confirmaron que los modelos se enfocan en opacidades radiológicamente relevantes en las zonas medias e inferiores de los pulmones en casos de neumonía.
  • MobileNet-V3 exhibió la localización más compacta y libre de ruido, con una alta Relación de Atención Pulmonar (LAR) de 0.693 para la neumonía bacteriana y una baja varianza.
  • ViT-B/16 mostró una fuerte discriminación entre normal y neumonía bacteriana (LAR 0.172 vs. 0.605), pero presentó patrones de atención más amplios y difusos para la neumonía viral, consistentes con los mecanismos de auto-atención global.
  • DenseNet-121 mostró ocasionalmente activaciones espurias en casos normales, mientras que EfficientNet-B0 y ResNet-50 mostraron algunos puntos calientes (hotspots) difusos o fuera de objetivo.

Contribuciones Clave

1. Evaluación Comparativa Rigurosa: El estudio proporciona una comparación justa de seis arquitecturas CNN y un Vision Transformer bajo protocolos de entrenamiento idénticos, incluyendo la división de datos por paciente para eliminar la fuga de información.
2. Localización con Supervisión Débil: Demuestra que se pueden generar mapas de calor clínicamente significativos utilizando únicamente etiquetas a nivel de imagen mediante Grad-CAM, eliminando la dependencia de costosas anotaciones a nivel de píxel.
3. Interpretabilidad Cuantitativa: La introducción de la Relación de Atención Pulmonar (LAR) ofrece un método ligero y cuantitativo para evaluar la consistencia anatómica de los resultados de la IA explicable en ausencia de una segmentación de verdad de campo.
4. Análisis de Eficiencia: El trabajo identifica a MobileNet-V3 como un compromiso óptimo entre la precisión diagnóstica y el costo computacional, validando su potencial para aplicaciones de salud en el borde (edge), móviles y en tiempo real.

Significancia y Reivindicaciones
El artículo sostiene que los métodos de aprendizaje profundo explicables y con supervisión débil pueden cerrar eficazmente la brecha entre la clasificación de imágenes de "caja negra" y el soporte de decisiones clínicamente interpretable. Al validar que los modelos se enfocan en regiones pulmonares relevantes sin necesidad de entrenamiento de segmentación manual, el estudio respalda el uso de tales marcos para mejorar la transparencia y la confianza clínica en el cribado de neumonía asistido por IA. Los autores concluyen que las arquitecturas compactas, cuando se combinan con focal loss y división por paciente, pueden alcanzar una precisión cercana al estado del arte manteniendo la eficiencia computacional, facilitando su despliegue en diversos entornos clínicos.

Direcciones Futuras
Los autores señalan modestamente que la investigación actual se limita a un solo conjunto de datos. Sugieren que el trabajo futuro debería involucrar la evaluación en conjuntos de datos más grandes y diversos (por ejemplo, RSNA Pneumonia, NIH ChestX-ray14) para mejorar la robustez. Además, proponen explorar la localización de enfermedades torácicas multietiqueta, estudios de lectores radiólogos y más optimizaciones para el despliegue móvil para fortalecer el impacto traslacional del marco.