Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction

Aquí presento un resumen técnico detallado del artículo "Distributional Alignment Supersedes Generative Complexity in Longitudinal Retinal Image Prediction" (La alineación distribucional supera a la complejidad generativa en la predicción de imágenes retinianas longitudinales), traducido y estructurado al español.

1. Planteamiento del Problema

Las enfermedades retinianas progresivas, como la atrofia geográfica (GA) y la distrofia macular de Stargardt, causan pérdida irreversible de la visión. La toma de decisiones clínicas actuales (tiempos de tratamiento, intervalos de monitoreo) depende de comparaciones cualitativas o puntuaciones escalares de progresión, las cuales descartan información espacial e intensiva crítica.

El objetivo es la predicción densa de imágenes: generar una imagen retiniana futura basada en el historial longitudinal de imágenes (FAF - autofluorescencia de fondo de ojo). Aunque los métodos recientes han tendido hacia una complejidad generativa creciente (ODEs neuronales, difusión condicional, flujo de coincidencia), no se ha determinado si esta complejidad es necesaria para enfermedades de progresión lenta. Además, existe un problema fundamental de desajuste distribucional entre el entrenamiento y la inferencia en los modelos de difusión estándar:

• Entrenamiento: El modelo aprende a desruido versiones corruptas de la imagen objetivo futura ($I^*$), la cual es desconocida en la realidad.
• Inferencia: El modelo debe iniciar desde ruido puro o una versión ruidosa de la última observación ($I_N$), una distribución que nunca vio durante el entrenamiento.

2. Metodología

A. Análisis Comparativo Controlado

Los autores diseñaron un experimento controlado utilizando una única arquitectura y conjunto de datos, variando solo la configuración de condicionamiento para aislar dos factores:

1. Alineación Distribucional: Comparar modelos entrenados con la imagen objetivo ($I^*$) vs. modelos entrenados con la última observación ($I_N$).
2. Complejidad del Marco: Comparar modelos estocásticos (difusión) vs. deterministas (regresión directa) una vez lograda la alineación.

Se evaluaron cinco configuraciones:

• Std-DDIM-50step: Difusión estándar (entrenado en $I^*$, inferencia desde ruido puro).
• Std-DDIM-1step: Entrenado en $I^*$, pero inferencia inicial desde $I_N$ ruidosa.
• IA-Nonlinear / IA-Linear: Entrenados e inferidos desde $I_N$ (alineados), con diferentes esquemas de ruido.
• TRU (Temporal Retinal U-Net): Un modelo determinista de regresión directa condicionado por tiempo delta y agregación de historial.

B. Arquitectura de TRU

TRU es una red U-Net temporal con ~22.8M de parámetros que predice el cambio residual ($I^* - I_N$) en lugar de la imagen absoluta. Sus características clave son:

• Condicionamiento de Delta de Tiempo Continuo: Codifica la distancia temporal entre cada frame del historial y el objetivo mediante embeddings sinusoidales logarítmicos.
• Agregación de Historial Multi-escala: Extrae características de múltiples frames históricos y las pondera mediante un mecanismo de atención basado en la proximidad temporal al objetivo.
• Inferencia Determinista: Una sola pasada directa, sin muestreo estocástico.

C. Evaluación

Se evaluó en 28,902 ojos a través de cuatro cohortes:

1. FAF Mixto (Optos): 9,942 ojos (entrenamiento y prueba).
2. Transferencia Zero-Shot (Stargardt en Optos): 288 ojos (enfermedad no vista en entrenamiento).
3. Transferencia Zero-Shot (Stargardt en Heidelberg Spectralis): 125 ojos (cambio de dispositivo y enfermedad).
4. Transferencia Zero-Shot (Glaucoma en SLO): 18,547 ojos (cambio de modalidad y enfermedad).

Métricas: Se priorizaron métricas de dinámica de progresión ($\Delta$SSIM en mapas de cambio) y precisión a nivel de lesión (Dice, HD95) sobre la fidelidad de reconstrucción de píxeles.

3. Contribuciones Clave

1. Dominio de la Alineación Distribucional: Se demostró que corregir el desajuste entre los inputs de entrenamiento e inferencia (entrenar con $I_N$ en lugar de $I^*$) produce ganancias masivas en el rendimiento ($\Delta$SSIM +0.082, SSIM +0.086), superando por un orden de magnitud cualquier elección de marco generativo complejo.
2. Equivalencia de Marcos Alineados: Una vez alineados, los modelos estocásticos (difusión) y deterministas (regresión) rinden de manera estadísticamente idéntica en métricas clínicas. La complejidad estocástica no aporta beneficio adicional.
3. Explicación Mecanística (Entropía de la Tarea): Mediante análisis de entropía de tarea y concentración posterior, se descubrió que:
   • El cambio entre visitas está dominado por variabilidad de adquisición (ruido) invariante en el tiempo, no por la progresión de la enfermedad.
   • La componente predecible de la progresión es pequeña y ocupa un subespacio de baja dimensión.
   • La distribución posterior condicional colapsa a una "masa puntual" efectiva, dejando poco ancho de varianza para que el muestreo estocástico sea útil.
4. Propuesta de Principio de Diseño: Se propone un principio adaptativo: el nivel de complejidad generativa debe coincidir con la entropía de la componente predecible de la distribución posterior. Se sugiere realizar un diagnóstico previo (medir escalado temporal de la varianza y concentración posterior) antes de elegir un marco complejo.

4. Resultados

• Rendimiento Superior: TRU superó o igualó a los métodos más avanzados (ImageFlowNet, TADM, 2D-BrLP) en todas las métricas principales ($\Delta$SSIM, SSIM, PSNR) en todas las cohortes.
• Ventaja en Transferencia:
  • En Stargardt (Optos), TRU superó incluso a su rendimiento en la distribución de entrenamiento, aprovechando la similitud morfológica de las lesiones.
  • En Stargardt (Spectralis), TRU mantuvo su ventaja sobre modelos complejos a pesar del cambio de fabricante de la cámara.
  • En Glaucoma (SLO), aunque el rendimiento absoluto disminuyó (cambio de modalidad), TRU mantuvo la mejor posición relativa, demostrando robustez en la representación temporal.
• Efecto del Historial: La ventaja de TRU creció monótonamente con la longitud del historial de imágenes disponible, siendo más beneficiosa para pacientes con seguimiento activo y largo.
• Análisis de Alineación: El modelo estándar de difusión (entrenado en $I^*$, inferencia desde ruido) rindió peor que la línea base trivial de "copiar la última imagen" (copy-last), confirmando que el desajuste distribucional es destructivo.

5. Significado e Impacto

• Reevaluación de la Complejidad: El trabajo desafía la tendencia actual en visión por computadora médica de aumentar la complejidad generativa (difusión, flujo) para tareas de predicción longitudinal. Demuestra que para enfermedades de progresión lenta, la simplicidad y la alineación de datos son más críticas que la capacidad del modelo.
• Eficiencia Clínica y Operativa: TRU ofrece inferencia determinista (reproducible, esencial para la interpretación clínica y regulación) y es computacionalmente más eficiente que los pipelines de difusión de múltiples etapas.
• Principio Diagnóstico: Proporciona a los investigadores una herramienta práctica para evaluar si un conjunto de datos longitudinal justifica el uso de maquinaria estocástica compleja o si una regresión determinista alineada es suficiente.
• Aplicabilidad: Los hallazgos sugieren que para muchas condiciones médicas de progresión lenta (neurodegeneración, glaucoma), la señal predecible es tan pequeña frente al ruido de adquisición que los modelos deterministas alineados son la opción óptima.

En conclusión, el estudio establece que la alineación distribucional es el factor determinante del rendimiento, y que para la predicción de imágenes retinianas longitudinales, un modelo determinista simple y bien alineado supera a arquitecturas generativas complejas, ofreciendo una vía más robusta, eficiente y clínicamente interpretable.