An Explainable Vision-Language Model Framework with Adaptive PID-Tversky Loss for Lumbar Spinal Stenosis Diagnosis

Título: Un Marco de Modelo Visión-Lenguaje Explicable con Pérdida PID-Tversky Adaptativa para el Diagnóstico de Estenosis Espinal Lumbar

1. Planteamiento del Problema

El diagnóstico de la Estenosis Espinal Lumbar (LSS) mediante Resonancia Magnética (MRI) enfrenta desafíos críticos:

• Dependencia de la interpretación manual: La evaluación actual requiere un análisis intensivo de múltiples vistas de MRI, lo que genera variabilidad inter e intra-observador y retrasos diagnósticos.
• Limitaciones de los modelos actuales: Los modelos de aprendizaje profundo tradicionales (CNN) suelen funcionar como "cajas negras", careciendo de explicabilidad clínica. Además, sufren de desequilibrio de clases severo en los conjuntos de datos médicos (pocos casos graves vs. muchos normales), lo que lleva a un sobreajuste en la clase mayoritaria y a una segmentación deficiente de casos minoritarios complejos.
• Pérdida de información espacial: Los modelos de visión-lenguaje (VLM) existentes a menudo utilizan mecanismos de pooling global que descartan jerarquías espaciales cruciales necesarias para delimitar con precisión las anomalías espinales.
• Falta de integración semántica: Existe una brecha entre la predicción cuantitativa (máscaras de segmentación) y la explicación cualitativa (informes radiológicos), dificultando la adopción clínica.

2. Metodología Propuesta

Los autores presentan un marco de trabajo multimodal end-to-end que integra modelos de visión-lenguaje avanzados (LLaVA-Med, BiomedCLIP, SmolVLM) con tres componentes innovadores:

• Generación de Máscaras Pseudo-Adaptativas: Dado el escaso etiquetado pixel a pixel, el sistema genera máscaras de "ground truth" pseudo utilizando los informes radiológicos de texto. Se aplica umbralización de Otsu y detección de bordes de Canny, refinados morfológicamente según la severidad descrita en el texto (dilatación para estenosis severa, erosión para casos leves).
• Módulo de Atención Cruzada de Parches Espaciales (Spatial Patch Cross-Attention):
  • En lugar de usar el token global [CLS], el modelo extrae directamente los embeddings de parches espaciales del Vision Transformer (ViT) (196 parches).
  • Estos parches visuales se combinan con prompts de texto clínico mediante un mecanismo de atención cruzada de 8 cabezas.
  • Esto permite una localización guiada por texto de alta precisión, preservando la jerarquía espacial y evitando la pérdida de detalles finos.
• Función de Pérdida PID-Tversky Adaptativa:
  • Se introduce una función de pérdida que integra principios de la teoría de control (PID: Proporcional, Integral, Derivativa) con el índice Tversky.
  • El controlador PID ajusta dinámicamente los pesos de clase ($\alpha$ y $\beta$) en cada época basándose en las tasas de falsos positivos y falsos negativos.
  • Esto permite al modelo "enfocarse" automáticamente en los casos difíciles y desequilibrados (estenosis moderada y severa), penalizando más los errores en las clases minoritarias que una pérdida estándar.
• Generación Automatizada de Informes Radiológicos (ARRG):
  • Un módulo traduce las máscaras segmentadas, los porcentajes de área afectada y los logits de severidad en informes clínicos estructurados estilo radiólogo.
  • Utiliza un enfoque autoregresivo para generar texto coherente que conecta la patología visual con la interpretación clínica.

3. Contribuciones Clave

1. Marco Multimodal Explicable: Integración exitosa de VLMs de vanguardia para clasificación, segmentación precisa y generación de informes clínicos desde una sola entrada de MRI.
2. Pérdida PID-Tversky Adaptativa: Una nueva función de pérdida que resuelve el desequilibrio de clases en segmentación médica mediante un control de retroalimentación dinámica, mejorando el rendimiento en casos minoritarios complejos.
3. Atención a Parches Espaciales: Superación de las limitaciones de los métodos de pooling global mediante la extracción directa de parches espaciales del ViT, permitiendo una localización anatómica precisa guiada por texto.
4. Validación Exhaustiva: Evaluación rigurosa de tres modelos VLM diferentes (LLaVA-Med, BiomedCLIP, SmolVLM) utilizando métricas de visión por computadora y generación de lenguaje natural.

4. Resultados Experimentales

El marco se evaluó en un conjunto de datos de 515 pacientes (48,345 imágenes de MRI). Los resultados destacan:

• Clasificación de Severidad:
  • LLaVA-Med obtuvo el mejor rendimiento global con una precisión del 90.69% y un F1-score macro de 0.9072.
  • BiomedCLIP alcanzó un 87.77% y SmolVLM un 82.66%.
  • Todos los modelos mostraron alta sensibilidad para casos extremos (Grado A normal y Grado D severo), pero enfrentaron desafíos en los grados intermedios (B y C) debido a la ambigüedad morfológica.
• Segmentación:
  • LLaVA-Med logró el mejor puntaje Dice de 0.9624 (95% CI: 0.951–0.973) y un IoU de 0.9288.
  • BiomedCLIP obtuvo un Dice de 0.9512, mostrando una excelente consistencia.
  • SmolVLM, aunque menos preciso en general (Dice 0.8603), demostró la mayor estabilidad entre grados de severidad.
  • Estudio de Ablación: El uso de la pérdida PID-Tversky mejoró drásticamente el rendimiento frente a la pérdida Cross-Entropy estándar. Por ejemplo, BiomedCLIP mejoró su Dice de 0.7411 a 0.9512.
• Generación de Informes (ARRG):
  • LLaVA-Med lideró en fluidez lingüística y alineación semántica (CIDEr: 92.80%, METEOR: 91.05%).
  • SmolVLM demostró ser una alternativa eficiente en recursos con un rendimiento competitivo (CIDEr: 90.94%).
  • El módulo generó informes que no solo describían la patología, sino que cuantificaban el área afectada y asignaban grados de severidad con alta coherencia clínica.

5. Significado e Impacto

Este trabajo representa un avance significativo en la Inteligencia Artificial Explicable (XAI) para la imagenología médica:

• Puente entre Cuantitativo y Cualitativo: Cierra la brecha entre la predicción de modelos (máscaras) y la toma de decisiones clínicas (informes de texto), proporcionando una justificación transparente para cada diagnóstico.
• Manejo de Desequilibrios: La propuesta de la pérdida PID-Tversky ofrece una solución robusta y dinámica al problema crónico del desequilibrio de clases en datos médicos, sin necesidad de técnicas de remuestreo costosas.
• Viabilidad Clínica: Al generar informes en lenguaje natural y mantener un enfoque de "humano en el bucle" (donde el radiólogo valida el informe generado), el sistema está diseñado para integrarse en flujos de trabajo reales, mejorando la eficiencia sin reemplazar la supervisión experta.
• Benchmarking: Establece un nuevo estándar para la evaluación de modelos VLM en tareas de diagnóstico de estenosis espinal, demostrando que la combinación de arquitecturas multimodales y optimización adaptativa puede superar a los enfoques unimodales tradicionales.

En conclusión, el marco propuesto no solo mejora la precisión diagnóstica y la segmentación, sino que también hace que la IA sea interpretable y confiable para los profesionales de la salud, facilitando su adopción en la práctica clínica rutinaria.