Resumen Técnico: Difusión Desacoplada de Anatomía-Enfermedad (DADD) para Síntesis Controlada de la Progresión de la Colitis Ulcerosa

1. Declaración del Problema

La síntesis de imágenes médicas longitudinales en etapas de enfermedad controlables se ve obstaculizada por el entrelazamiento de las características anatómicas específicas del paciente y las texturas patológicas. En el contexto de la Colitis Ulcerosa (CU), la gravedad de la enfermedad sigue una progresión ordinal continua definida por el Score Endoscópico de Mayo (MES), que va de 0 (normal) a 3 (severo). Los conjuntos de datos existentes, como LIMUC, sufren de un desequilibrio de clases severo y una falta de seguimiento longitudinal debido a la naturaleza invasiva de las endoscopias repetidas.

Los enfoques generativos actuales enfrentan un "cuello de botella de entrelazamiento" crítico. Los métodos que condicionan la generación a imágenes de referencia (por ejemplo, IP-Adapter utilizando codificadores CLIP) incrustan inevitablemente la patología de la enfermedad de origen en la representación anatómica. Al intentar sintetizar una progresión contrafactual (por ejemplo, cambiar una imagen de origen de MES 3 a MES 0), el modelo recibe señales contradictorias: debe preservar la estructura anatómica mientras simultáneamente borra la patología de origen y genera un nuevo nivel de gravedad. Este conflicto semántico a menudo conduce a artefactos estructurales o al fracaso en la eliminación de las características de la enfermedad existentes.

2. Metodología

El marco propuesto, Difusión Desacoplada de Anatomía-Enfermedad (DADD), aborda esto separando explícitamente la identidad anatómica de la gravedad de la enfermedad dentro de un modelo de difusión latente. La arquitectura integra tres componentes novedosos en una base estándar de Stable Diffusion:

2.1. Incrustador Ordinal Aditivo (AOE)

Para modelar la naturaleza continua del MES, el marco emplea un AOE que representa la gravedad como una suma acumulativa de incrementos aprendibles. Un nivel MES más alto incluye todas las características de los niveles inferiores más patología adicional. Esto permite la generación de niveles de gravedad intermedios arbitrarios mediante interpolación continua.

2.2. Purificador de Características

Para resolver el entrelazamiento entre la anatomía y la enfermedad de origen, se introduce un Purificador de Características. Este módulo opera en tres etapas:

1. Identificación: Una capa de atención cruzada consulta los tokens de la imagen contra la incrustación de la enfermedad de origen (derivada de la etiqueta MES de origen) para identificar canales correlacionados con la enfermedad.
2. Puerta de Control (Gating): Una MLP de puerta de control genera una máscara sigmoidea para controlar la supresión de estas características identificadas.
3. Borrado: Una sustracción residual con puerta de control elimina el componente de la enfermedad de los tokens de la imagen, produciendo tokens de anatomía "purificados" ($e_{clean}$) que retienen la identidad estructural pero carecen de la patología de origen.

2.3. Atención Cruzada de Triple Vía

En lugar de concatenar todos los tokens de condicionamiento, DADD utiliza un mecanismo de inyección dividida con tres vías distintas inyectadas en la U-Net:

• Vía de Anatomía: Procesa los tokens de anatomía purificados ($e_{clean}$) utilizando proyecciones preentrenadas para preservar la reconstrucción estructural.
• Vía de Enfermedad: Procesa los tokens de enfermedad objetivo ($e_{aoe}^t$) utilizando proyecciones separadas y sin sesgo.
• Vía Delta: Procesa el cambio direccional de gravedad ($\Delta$) derivado de la diferencia entre las incrustaciones objetivo y de origen.

Enrutamiento Consciente de la Frecuencia: El marco emplea puertas de enrutamiento dependientes de la resolución ($g_a, g_d$) para ponderar la contribución de la anatomía frente a la enfermedad en diferentes profundidades de la U-Net. Los bloques de baja resolución (que capturan la estructura global) se ponderan fuertemente hacia la anatomía, mientras que los bloques de alta resolución (que capturan la textura fina) se ponderan hacia la enfermedad. Esto asegura que las ediciones de la enfermedad se confinen a texturas patológicas de grano fino sin alterar la estructura global de la mucosa.

2.4. Dirección Delta

Para permitir un control preciso sobre las transiciones de la enfermedad sin el costo computacional de la Guía Libre de Clasificador (CFG), los autores introducen la Dirección Delta. Esta es una señal direccional de un solo paso, libre de entrenamiento, derivada de la diferencia proyectada entre las incrustaciones ordinales objetivo y de origen.

• Mecanismo: $\Delta = \text{proj}(E[y_t]) - \text{proj}(E[y_s])$.
• Operación: Durante la inferencia, $\Delta$ se procesa a través de las proyecciones de enfermedad sin sesgo para inyectar una señal con signo y proporcional a la magnitud en el mecanismo de atención.
• Beneficio: Esto elimina la necesidad de pasadas forward incondicionales, reduciendo la latencia de inferencia en aproximadamente 2× en comparación con el CFG estándar.

3. Contribuciones Clave

• Desacoplamiento mediante Borrado: Un Purificador de Características basado en atención cruzada que identifica y suprime dinámicamente los canales correlacionados con la enfermedad de los tokens de imagen, desacoplando efectivamente la anatomía de la patología.
• Inyección Consciente de la Frecuencia: Un mecanismo de Atención Cruzada de Triple Vía con puertas de enrutamiento fijas que dirige las señales anatómicas y patológicas a las capas apropiadas de la U-Net basándose en la jerarquía de resolución.
• Dirección Delta: Un mecanismo de control novedoso de un solo paso para la progresión monótona de la enfermedad que proporciona un control con signo y proporcional a la magnitud, ofreciendo una alternativa más eficiente al CFG.
• Aumento Dirigido: Una demostración empírica de que sintetizar datos longitudinales específicos del sujeto reequilibra efectivamente las distribuciones de clases sesgadas, mejorando el rendimiento de clasificación aguas abajo.

4. Resultados Experimentales

El marco fue validado en el conjunto de datos LIMUC (10,284 imágenes) utilizando Stable Diffusion v1.4.

• Calidad de Generación: Aunque algunas variantes (DADD-I, DADD-U) lograron puntuaciones de Distancia de Inception Fréchet (FID) más bajas, no lograron producir características patológicas discriminativas, resultando en un rendimiento casi aleatorio en tareas aguas abajo. La configuración de Enrutamiento Jerárquico (DADD-H), que alinea la inyección de la enfermedad con las capas de alta resolución, logró el mejor equilibrio.
• Clasificación Aguas Abajo: DADD-H mejoró significativamente la precisión de clasificación y el Kappa Ponderado Cuadrático (QWK) en comparación con las líneas base. En un escenario de entrenamiento "Solo Sintético" (sin datos reales), DADD-H logró una precisión del 61.68% y 70.74 QWK, superando la línea base IP-AOE (54.54% / 42.20 QWK).
• Fidelidad de la Gravedad: Un Juez de Regresión entrenado con datos reales evaluó las salidas sintéticas. DADD-H logró 81.53 QWK y 0.46 RMSE, coincidiendo estrechamente con el rendimiento de los modelos entrenados con datos reales (83.28 QWK / 0.47 RMSE). Esto confirma que el modelo transforma genuinamente la patología en lugar de replicar la fuente.
• Velocidad de Inferencia: Las variantes de DADD lograron una aceleración de aproximadamente 2× sobre las líneas base basadas en CFG (por ejemplo, 187.3 ms/img vs. 314.6 ms/img con tamaño de lote 8) debido al mecanismo de dirección delta de un solo paso.
• Análisis Cualitativo: Las comparaciones visuales mostraron que DADD-H borró con éxito las texturas patológicas existentes al sintetizar niveles de gravedad más bajos (por ejemplo, MES 3 $\to$ 0), mientras que las líneas base de IP-Adapter fallaron en eliminar la enfermedad de origen, resultando en generaciones entrelazadas.

5. Significado y Afirmaciones

El artículo afirma que DADD proporciona un marco robusto para sintetizar imágenes médicas longitudinales donde se preserva la anatomía específica del paciente mientras se modula controlablemente la gravedad de la enfermedad. Los autores enfatizan que:

1. La similitud distribucional (FID) es insuficiente para validar la síntesis de progresión condicional; los modelos con bajo FID pueden fallar en alterar la patología de manera significativa.
2. El desacoplamiento es crítico: Borrar explícitamente la información de la enfermedad de origen de la incrustación anatómica es necesario para evitar conflictos semánticos durante la generación contrafactual.
3. Eficiencia: El mecanismo de dirección delta ofrece una alternativa computacionalmente eficiente al CFG, haciendo que la síntesis controlable sea más práctica para aplicaciones clínicas.
4. Utilidad Clínica: La capacidad de generar datos longitudinales equilibrados y específicos del sujeto aborda directamente el desequilibrio de clases endémico en los conjuntos de datos médicos, mejorando el entrenamiento de clasificadores diagnósticos aguas abajo.

Los autores notan que el rendimiento sigue siendo sensible a la escala de dirección ($\lambda_{steer}$), con valores $\ge 5$ introduciendo artefactos estructurales, y sugieren trabajo futuro sobre cronogramas de dirección por clase y extensión a otras modalidades médicas longitudinales.