Resumen Técnico: Aprendizaje Multimodal Guiado por Priores Clínicos para el Cribado de la Escoliosis Basado en la Marcha

Declaración del Problema

La Escoliosis Idiopática del Adolescente (EIA) es una deformidad de la columna vertebral prevalente que requiere una detección temprana para mitigar su progresión. Los métodos de cribado actuales, como la Prueba de Adams (flexión hacia adelante), sufren de subjetividad, inconsistencia y una dependencia de la experiencia clínica especializada, lo que dificulta su escalabilidad. Si bien la visión computacional ofrece alternativas, los enfoques basados en video existentes enfrentan tres limitaciones críticas:

1. Fuga de Datos (Data Leakage): Muchos conjuntos de datos de referencia contienen clips repetidos de los mismos individuos tanto en los conjuntos de entrenamiento como en los de prueba, lo que conduce a métricas de rendimiento infladas donde los modelos memorizan rasgos específicos del sujeto en lugar de aprender patrones patológicos generalizables.
2. Falta de Interpretabilidad: Los modelos de aprendizaje profundo para el análisis de la marcha suelen funcionar como "cajas negras", fallando en proporcionar la transparencia clínica necesaria para la adopción por parte de los profesionales.
3. Fusión Sobresimplificada: Los métodos multimodales actuales suelen emplear mecanismos de fusión simplistas que no logran capturar las relaciones matizadas entre los patrones cinemáticos y los priores clínicos.

Además, los conjuntos de datos existentes frecuentemente dependen de etiquetas de cribado físico propensas a errores, en lugar del estándar de oro radiográfico (Ángulo de Cobb).

Metodología

1. El Conjunto de Datos ScoliGait

Para abordar los problemas de calidad de datos y fuga de datos, los autores introducen ScoliGait, un nuevo conjunto de datos de referencia construido con protocolos rigurosos:

• Composición: 1,572 clips de entrenamiento derivados de 550 adolescentes únicos y un conjunto de prueba reservado de 300 clips de 300 individuos diferentes no vistos durante el entrenamiento.
• Verdad de Campo (Ground Truth): Las etiquetas se basan en mediciones radiográficas del Ángulo de Cobb (el estándar de oro clínico), con un umbral de 10 grados para el diagnóstico positivo.
• Anotaciones Multimodales: Cada clip incluye:
  • Video: 1080p, 30Hz, capturando ciclos de marcha completos.
  • Mapa de Conocimiento Cinemático: Una representación estructurada de 238 características en el espacio de movimiento, el espacio de auto-esqueleto y la correlación cruzada de señales.
  • Texto Clínico: Descripciones textuales generadas automáticamente de los patrones de marcha basadas en el análisis estadístico de grupo y los priores clínicos (por ejemplo, "balanceo asimétrico de brazos en tipos de curva torácica").

2. Mapa de Conocimiento Cinemático

Los autores proponen un mapa de conocimiento cinemático guiado por priores clínicos para codificar la dinámica holística de la marcha.

• Extracción de Características: Se computan 238 características, incluyendo distancias de pares de articulaciones (Euclidianas), ángulos intersegmentarios (trigonométricos) y coordinación temporal (correlación cruzada de señales).
• Interpretabilidad: Este mapa sirve como un "diccionario legible por humanos". Durante la inferencia, las puntuaciones de atención del modelo se mapean de nuevo a esta estructura, permitiendo a los clínicos identificar características cinemáticas específicas (por ejemplo, asimetría o dinámica articular) que impulsan la decisión, en lugar de depender de la atención de píxeles brutos.

3. Arquitectura del Modelo: Agrupación de Atención Latente (Latent Attention Pooling)

El marco propuesto integra tres modalidades (Video, Mapa de Conocimiento, Texto) utilizando un mecanismo de fusión especializado:

• Codificadores:
  • Texto: Sentence-Transformers (all-MiniLM-L6-v2).
  • Video y Mapa de Conocimiento: Backbones de Vision Transformer (ViT) con métodos de incrustación de parches (patch embedding) distintos.
• Agrupación de Atención Latente (Latent Attention Pooling): Inspirados en las incrustaciones avanzadas de modelos de lenguaje (por ejemplo, NV-Embed), los autores reemplazan la agrupación promedio estándar con una capa de agrupación de atención latente. Esta utiliza un diccionario latente aprendible para consultar la secuencia de entrada mediante atención cruzada.
• Fusión: Este mecanismo genera incrustaciones holísticas altamente expresivas que capturan mejor las representaciones clínicamente relevantes que la agrupación estándar, facilitando una fusión multimodal superior.
• Alineación: Las incrustaciones posicionales se alinean explícitamente entre el mapa de conocimiento y las modalidades de video para asegurar la correspondencia temporal.

Resultados Clave

Rendimiento en el Cribado Binario

Evaluado en el conjunto de prueba independiente del sujeto, el enfoque multimodal propuesto estableció un nuevo estado del arte:

• Mejor Configuración (Mapa de Conocimiento + Video + Texto): Logró una Precisión (Accuracy) del 70.0% y un F1-score del 61.9%.
• Comparación de Modalidades: El Mapa de Conocimiento por sí solo superó al modelo de Video bruto (58.0% vs. 56.3% de Precisión), demostando que las representaciones cinemáticas estructuradas son más discriminativas para esta tarea que las características visuales brutas.
• Impacto de la Fusión: La integración del Mapa de Conocimiento con el Video mejoró significativamente el rendimiento sobre las modalidades únicas. La adición de texto clínico mejoró aún más el F1-score para la clase positiva.
• Comparación con Baselines: Los modelos existentes como ScoNet-MT mostraron una precisión general comparable, pero una sensibilidad (Recall) significativamente menor para la clase positiva (por ejemplo, un recall del 5.4% en una configuración), indicando una falla al identificar correctamente los casos de escoliosis.

Explicabilidad

El sistema proporciona información granular y clínicamente interpretable:

• A diferencia de los mapas de calor de atención convencionales en esqueletos, el Mapa de Conocimiento permite la extracción de características cinemáticas específicas con alta resolución temporal.
• El modelo puede resaltar periodos de tiempo específicos y variables clínicas (por ejemplo, la sincronización de las extremidades) que contribuyen al diagnóstico, tendiendo un puente entre el razonamiento algorítmico y el juicio clínico.

Significado y Reivindicaciones

El artículo afirma proporcionar una base robusta, interpretable y clínicamente fundamentada para la evaluación no invasiva y escalable de la EIA. Sus principales contribuciones son:

1. Evaluación Confiable: Al eliminar la fuga de datos mediante un conjunto de prueba estrictamente independiente del sujeto y utilizando etiquetas de oro radiográfico, ScoliGait ofrece un benchmark realista para evaluar la generalización.
2. Interpretabilidad: El mapa de conocimiento guiado por priores clínicos va más allá de las características de "caja negra", ofreciendo un marco estructurado que traduce las decisiones del modelo en un análisis de movimiento accionable y comprensible para el clínico.
3. Fusión Avanzada: El mecanismo de agrupación de atención latente demuestra que las técnicas de incrustación avanzadas, típicamente utilizadas en modelos de lenguaje, pueden mejorar significamente la fusión de datos médicos heterogéneos (video, cinemática estructurada y texto) para el análisis de movimiento complejo.

Los autores concluyen que este trabajo aborda las limitaciones centrales de los cribados basados en video actuales —la fiabilidad de los datos, la opacidad del modelo y la complejidad de integración— allanando el camino para un despliegue clínico más efectivo. El código está programado para su publicación tras la divulgación oficial.