Robustness of Transformer-Based Fluence Map Prediction Under Clinically Realistic Perturbations

Resumen Técnico: Robustez de la Predicción de Mapas de Fluencia Basada en Transformers bajo Perturbaciones Clínicamente Realistas

Enunciado del Problema
La predicción de mapas de fluencia basada en aprendizaje ofrece una alternativa prometedora a la planificación inversa iterativa en la Radioterapia de Intensidad Modulada (IMRT), reduciendo potencialmente el tiempo de planificación y la variabilidad entre operadores. Sin embargo, la robustez de estos modelos bajo desplazamientos de distribución realistas encontrados durante la implementación clínica permanece poco clara. Mientras que la planificación convencional gestiona las incertidumbres (ruido en las imágenes, errores de posicionamiento del paciente, variabilidad del escáner) mediante márgenes geométricos y restricciones de robustez, la interacción entre estas incertidumbres y las representaciones aprendidas en los modelos de aprendizaje profundo es menos transparente. Las evaluaciones existentes a menudo priorizan la precisión en conjuntos de prueba estables, asumiendo implícitamente distribuciones de datos que rara vez se cumplen en la práctica. Además, los mapas de fluencia presentan un perfil de riesgo distinto: al ser objetivos de regresión densos restringidos por la geometría del haz y la conservación de la energía, pequeñas perturbaciones pueden inducir cambios de modulación no lineales que no son capturados por las métricas estándar de similitud de imágenes, pero que resultan en desviaciones dosimétricas clínicamente significativas.

Metodología
Los autores evalúan la robustez de una tubería de predicción de fluencia basada en transformers de dos etapas, consistente con el marco FluenceFormer:

1. Etapa de Anatomía a Dosis ($g_\phi$): Mapea la anatomía del paciente (TC y contornos) a una distribución de dosis predicha.
2. Etapa de Dosis a Fluencia ($f_\theta$): Regresa los mapas de fluencia de los haces a partir de la dosis predicha y la geometría del haz.

El estudio se centra en la etapa de fluencia ($f_\theta$) ya que gobierna directamente la modulación administrable, mientras que también somete a prueba de estrés la etapa de anatomía a dosis en conjuntos de datos externos. Los autores comparan varias arquitecturas de codificadores transformer: SwinUNETR (atención jerárquica en ventanas), UNETR (atención global completa), nnFormer y MedFormer (atención híbrida), todas entrenadas con una función de pérdida de Regresión Consciente de la Fluencia (FAR). Esta función de pérdida combina el MSE a nivel de vóxel, consistencia de gradiente, correlación y un término de energía informado por la física para imponer consistencia global de energía.

La robustez se evalúa en cuatro escenarios de perturbación motivados clínicamente utilizando un conjunto de datos de IMRT de próstata de una sola institución (99 pacientes) y dos conjuntos de datos públicos (OpenKBP de cabeza y cuello y CORT de próstata) para pruebas de estrés entre conjuntos de datos:

• Perturbaciones Geométricas: Desplazamientos traslacionales (3–5 mm) y rotaciones en el plano (2°–5°).
• Perturbaciones Radiométricas: Ruido gaussiano aditivo ($\sigma = 0.05–0.20$) y campos de sesgo multiplicativos suaves.
• Escasez de Datos: Entrenamiento con fracciones reducidas del conjunto de datos (25%, 50%, 75%).
• Desplazamientos de Dominio: Desplazamientos de dominio sintéticos que imitan la variabilidad del escáner.

El rendimiento se cuantifica utilizando el Índice de Similitud Estructural (SSIM) y, crucialmente, el percentil 75 del error de energía ($EQ^{75}_{err}$) para capturar la estabilidad de la dosis en la cola y los modos de fallo físicamente significativos.

Resultados Clave

• Robustez Geométrica: Los errores de rotación resultaron más disruptivos que los desplazamientos traslacionales. Aunque todos los modelos mostraron un decaimiento suave del rendimiento, SwinUNETR (atención jerárquica) exhibió el crecimiento más lento en el error de energía del cuartil superior ($EQ^{75}_{err}$) en comparación con las variantes totalmente globales (UNETR) e híbridas. Las líneas base CNN mostraron un SSIM similar pero errores de energía en la cola significativamente mayores.
• Robustez Radiométrica: Todos los codificadores demostraron un decaimiento monótono del SSIM con el aumento del ruido. nnFormer fue el más sensible (caída >20% en SSIM), mientras que SwinUNETR y MedFormer fueron más tolerantes, probablemente debido a representaciones multiescala que suprimen el ruido de alta frecuencia.
• Eficiencia de Datos: Todos los modelos mejoraron con más datos, pero los comportamientos de escalado difirieron. SwinUNETR permaneció como el más eficiente en datos, logrando el SSIM más alto y el $EQ^{75}_{err}$ más bajo incluso con solo el 25% de los datos de entrenamiento. Por el contrario, nnFormer fue altamente dependiente de los datos.
• Robustez de Dominio: Bajo perturbaciones de campo de sesgo, modelos como CNN y Swin-Direct mantuvieron un SSIM alto pero incurrieron en grandes errores de energía en la cola, indicando predicciones visualmente plausibles pero dosimétricamente inseguras. Las variantes de FluenceFormer, particularmente SwinUNETR entrenado con pérdida informada por la física, controlaron mejor la deriva de energía.
• Generalización entre Conjuntos de Datos: La etapa de anatomía a dosis se generalizó razonablemente bien a los conjuntos de datos OpenKBP y CORT sin ajuste fino, con curvas DVH degradándose suavemente bajo perturbaciones moderadas.

Significado y Afirmaciones
El artículo afirma que la robustez en la predicción de fluencia no es únicamente una función de la novedad arquitectónica, sino que emerge de la interacción entre el sesgo inductivo arquitectónico (específicamente la atención jerárquica en ventanas) y la supervisión informada por la física.

Las conclusiones clave incluyen:

1. Limitaciones del SSIM: Las métricas de similitud estructural por sí solas son insuficientes para la evaluación de seguridad clínica, ya que pueden enmascarar predicciones físicamente inconsistentes (por ejemplo, alto SSIM con grandes errores de energía).
2. Importancia de las Métricas de Energía: Las métricas basadas en energía (como $EQ^{75}_{err}$) son críticas para identificar modos de fallo que son clínicamente relevantes pero invisibles para las medidas de similitud de imágenes.
3. Resiliencia Arquitectónica: Los mecanismos de atención jerárquica (por ejemplo, SwinUNETR) proporcionan una resiliencia superior al desalineamiento y al ruido en comparación con la atención totalmente global, probablemente al limitar la propagación de errores espaciales.
4. Seguridad de Implementación: Las pruebas de estrés sistemáticas bajo incertidumbre realista, en lugar de la precisión en condiciones limpias, son un prerrequisito para la adopción clínica responsable de la predicción de fluencia basada en aprendizaje. El estudio delimita los rangos operativos donde la predicción directa de fluencia sigue siendo fiable e identifica los regímenes donde la robustez se rompe.