Explainable Cross-Disease Reasoning for Cardiovascular Risk Assessment from Low-Dose Computed Tomography

Resumen Técnico: Razonamiento Explicable entre Enfermedades para la Evaluación del Riesgo Cardiovascular a partir de Tomografía Computarizada de Baja Dosis

1. Planteamiento del Problema

La tomografía computarizada (TC) de tórax de baja dosis (LDCT) es el estándar de atención para la detección del cáncer de pulmón, pero captura inherentemente tanto estructuras pulmonares como cardíacas. Si bien la evidencia epidemiológica establece un vínculo bidireccional entre el cáncer de pulmón y la enfermedad cardiovascular (ECV) —impulsado por mecanismos compartidos como la inflamación sistémica y el estrés oxidativo—, los enfoques computacionales actuales tratan estos dominios de forma aislada. Los métodos predominantes modelan la detección del cáncer de pulmón y la estratificación del riesgo de ECV como tareas separadas, analizando los nódulos pulmonares y las estructuras cardíacas de manera independiente. Esta "aislación radiológica" descarta información crítica entre órganos. Además, los modelos existentes de enfermedades cruzadas o modelos fundacionales a menudo funcionan como cajas negras, ofreciendo únicamente atribuciones post-hoc gruesas en lugar de vías de razonamiento explícitas e interpretables que vinculen los hallazgos pulmonares con los resultados cardíacos. El desafío radica en aprovechar la relación fisiológica latente y multietapa entre las anomalías pulmonares y el riesgo cardiovascular sin depender exclusivamente de la concatenación de características no estructuradas o de modelos de aprendizaje profundo opacos.

2. Metodología

Los autores proponen un Marco de Razonamiento Explicable entre Enfermedades que trata una sola exploración LDCT como una fuente portadora de conocimiento para la evaluación del riesgo cardiopulmonar. La arquitectura descompone la tarea de predicción en cuatro componentes fundamentados clínicamente organizados en tres vías interconectadas:

• Percepción Visual de Doble Vía:

  • Prior de Riesgo Pulmonar: Un Predictor de Riesgo de Cáncer de Pulmón congelado (basado en Sybil) procesa el volumen pulmonar completo para extraer un vector temporal de riesgo de malignidad. Esto sirve como un proxy de alto nivel para la inflamación sistémica crónica y la carga general de la enfermedad, actuando como un prior contextual en lugar de una salida clínica directa.
  • Extracción de Características Cardíacas: Un módulo de localización cardíaca aísla el subvolumen cardíaco (ROI) para eliminar el ruido de fondo torácico. Una red neuronal convolucional 3D entrenable (con base MedicalNet) codifica luego biomarcadores morfológicos de alta resolución (por ejemplo, calcificación de la arteria coronaria, geometría de las cámaras) en una representación densa.

• Razonamiento Agente de Pulmón a Corazón:

  • Módulo de Percepción Pulmonar: Una interfaz determinista (utilizando CT-CLIP) traduce el volumen LDCT en un conjunto estructurado de hallazgos pulmonares normalizados (concepto, descripción, confianza). Esto crea un cuello de botella discreto, evitando que el agente de razonamiento acceda a vóxeles crudos o metadatos del paciente.
  • Agente de Razonamiento de Conocimiento: Dado los hallazgos estructurados y un corpus de conocimiento cardiopulmonar curado (recuperado mediante similitud de texto), este agente construye un gráfico de mecanismos. Vincula los hallazgos con mecanismos intermedios (por ejemplo, hipoxemia, inflamación sistémica) y efectos cardiopulmonares (por ejemplo, hipertensión pulmonar), asegurando que cada enlace esté respaldado por evidencia recuperada.
  • Agente de Razonamiento Diagnóstico: Este agente sintetiza el gráfico de mecanismos en una justificación de lenguaje natural acotada. La salida es un estado estructurado que contiene mecanismos, efectos y una justificación concisa, estrictamente restringida para evitar alucinar historiales del paciente o emitir veredictos diagnósticos directos.

• Fusión Multimodal Consciente del Conocimiento:

  • Un codificador semántico proyecta la justificación textual en una incrustación latente.
  • El predictor final fusiona tres representaciones normalizadas: las características visuales cardíacas, el prior de riesgo pulmonar congelado y la incrustación de la justificación derivada del razonamiento.
  • Una cabeza específica de la tarea predice el estado de cribado de ECV y la mortalidad por ECV utilizando pérdida de entropía cruzada binaria. Solo el codificador cardíaco y las cabezas de fusión son entrenables; los módulos de percepción, razonamiento y riesgo pulmonar permanecen congelados o instanciados externamente para garantizar que la vía de razonamiento sea auditable.

3. Contribuciones Clave

• Formulación del Razonamiento entre Enfermedades: El artículo formula la predicción de ECV basada en LDCT como un problema de razonamiento explícito, convirtiendo los hallazgos pulmonares en hipótesis cardiovasculares a nivel de mecanismo en lugar de tratarlos como características auxiliares no estructuradas.
• Marco Multimodal Auditable: Los autores desarrollan un marco que ancla las predicciones en evidencia visual cardíaca localizada mientras expone una vía de razonamiento transparente y paso a paso de pulmón a corazón. Esto desplaza al Modelo de Lenguaje Grande (LLM) de un agregador de texto genérico a un componente de razonamiento de conocimiento restringido.
• Suite de Evaluación Dirigida: El estudio proporciona un protocolo de evaluación riguroso que incluye líneas base específicas para el corazón, controles de fusión solo visión, controles semánticos estructurados, propagación de reglas fijas y ablaciones de backend de razonamiento para aislar la fuente de las ganancias de rendimiento.

4. Resultados Experimentales

Los experimentos se realizaron en la cohorte del National Lung Screening Trial (NLST) (32.136 exploraciones LDCT de 10.395 sujetos).

• Rendimiento: El marco propuesto logró un rendimiento de vanguardia con un AUC de 0,919 para el cribado de ECV y 0,838 para la predicción de mortalidad por ECV (utilizando una base 3D ResNet-200). Esto superó a líneas base sólidas, incluidos modelos fundacionales (M3FM, Sybil) y modelos cardíacos especializados (DeepCAC, KAMP-Net).
• Estudios de Ablación:
  • Solo Región Cardíaca: Logró un rendimiento moderado (AUC ~0,886 para cribado), destacando el valor de la morfología cardíaca localizada.
  • Solo Región Pulmonar: Rindió pobremente (AUC ~0,73), lo que indica que la evidencia visual pulmonar por sí sola es insuficiente.
  • Fusión: Añadir el prior de riesgo pulmonar y la rama de razonamiento proporcionó ganancias incrementales, demostrando que el contexto sistémico y el razonamiento a nivel de mecanismo complementan las características cardíacas locales.
• Variantes de Control: La mejora del rendimiento no se explicó simplemente añadiendo más características visuales torácicas (fusión solo visión), propagación de reglas fijas o un único backend de razonamiento propietario. El enfoque de razonamiento estructurado superó a las reglas fijas y a backends alternativos de LLM (Qwen, Baichuan), lo que sugiere que la ganancia proviene de la formulación específica de enfermedades cruzadas.
• Robustez: El modelo mostró resiliencia ante perturbaciones en la extracción de hallazgos pulmonares (por ejemplo, variación de umbrales de confianza o eliminación aleatoria de hallazgos) y mantuvo el rendimiento a través de diferentes backends de razonamiento, apoyando la viabilidad de la implementación local.

5. Significado y Afirmaciones

El artículo afirma que su principal significado radica en proporcionar un enfoque auditable para la evaluación del riesgo cardiovascular entre enfermedades. Al modelar explícitamente la interacción fisiológica entre el pulmón y el corazón a través de una vía de razonamiento restringida, el marco va más allá de la naturaleza de "caja negra" de los modelos actuales de aprendizaje profundo.

• Interpretabilidad: El sistema genera justificaciones en lenguaje natural fundamentadas en conocimiento médico y vinculadas a hallazgos pulmonares específicos, permitiendo a los clínicos inspeccionar la lógica (por ejemplo, cómo la fibrosis conduce a la hipoxemia y posteriormente al riesgo de insuficiencia cardíaca).
• Utilidad Clínica: El marco utiliza exploraciones LDCT ya adquiridas para el cribado de pulmón, ofreciendo una ventana oportuna para la evaluación de ECV sin requerir exploraciones adicionales o puntuación de calcio manual.
• Modularidad: El diseño separa los priores de riesgo, la percepción, el razonamiento y la evidencia cardíaca, permitiendo que los componentes individuales se actualicen o reemplacen (por ejemplo, con mejores LLM locales) sin reentrenar todo el sistema ni cambiar el protocolo de evaluación.

Los autores mantienen una postura modesta respecto a la implementación clínica, señalando que las justificaciones generadas son explicaciones a nivel de mecanismo y no prueba causal, y que se requiere una validación prospectiva en diversos escáneres y poblaciones antes de la adopción clínica.