Improving Imbalanced Multi-Label Chest X-Ray Diagnosis via CBAM-Enhanced CNN Backbones

Resumen Técnico: Mejora del Diagnóstico de Radiografías de Tórax Multietiqueta Desbalanceado mediante Espinas CNN Potenciadas por CBAM

Enunciado del Problema
La radiografía de tórax es una modalidad primaria para el diagnóstico de enfermedades torácicas, sin embargo, su interpretación manual sigue siendo laboriosa y dependiente del conocimiento experto. Aunque el Aprendizaje Profundo (DL) ha automatizado la extracción de características, persisten dos desafíos críticos en este dominio:

1. Complejidad Multietiqueta: Una sola radiografía a menudo contiene múltiples patologías coexistentes, lo que requiere que los modelos manejen clasificaciones complejas y simultáneas.
2. Desequilibrio de Clases Severo: Conjuntos de datos a gran escala como ChestXray14, MIMIC-CXR y CheXpert están dominados por condiciones frecuentes y la etiqueta "Sin Hallazgos". Este desequilibrio sesga el comportamiento de aprendizaje, lo que conduce a un rendimiento degradado en enfermedades raras pero clínicamente significativas.
   Además, las Redes Neuronales Convolucionales (CNN) estándar sufren de campos receptores limitados, lo que dificulta la captura de dependencias de largo alcance cruciales para identificar anomalías espacialmente distantes pero semánticamente correlacionadas. Si bien las arquitecturas basadas en Transformadores ofrecen soluciones, sus altos requisitos computacionales y de datos a menudo limitan su viabilidad en escenarios clínicos del mundo real.

Metodología
Los autores proponen una estrategia de integración práctica que mejora las espinas CNN estándar con el Módulo de Atención de Bloque Convolucional (CBAM) para mejorar la clasificación multietiqueta sin requerir anotaciones a nivel de píxel. La metodología se centra en tres componentes principales:

1. Arquitectura Potenciada por CBAM:

   • El marco integra CBAM en espinas ampliamente adoptadas, específicamente DenseNet121 y VGG16.
   • CBAM se aplica secuencialmente a lo largo de las dimensiones de canal y espacial para generar mapas de atención que actúan como máscaras de características suaves. Esto amplifica las regiones relevantes para la tarea mientras suprime la información de fondo irrelevante.
   • Ubicación Estratégica: El artículo introduce un esquema de ubicación de módulos basado en principios. Para DenseNet121, CBAM se inserta después de los bloques densos 3 y 4. Para VGG16, se inserta después de los bloques 3, 4 y 5. Esta estrategia apunta a capas semánticas más profundas donde se forman abstracciones de alto nivel, equilibrando la extracción de características de bajo nivel con el refinamiento semántico de alto nivel.

2. Paradigma de Entrenamiento:

   • El estudio adopta un paradigma de aprendizaje en dos etapas (inspirado en trabajos previos [7]).
   • Etapa 1: El modelo se entrena exclusivamente con muestras anormales para capturar patrones discriminativos específicos de la clase, mitigando la dominancia de la clase "Sin Hallazgos".
   • Etapa 2: El modelo se ajusta fino en todo el conjunto de datos para reforzar el aprendizaje de representaciones globales.
   • Los autores investigan diversas funciones de pérdida, incluyendo Entropía Cruzada Binaria (BCE) y Pérdida Focal, comparando el entrenamiento de una sola etapa versus el de dos etapas.

3. Ablación y Evaluación:

   • El estudio realiza estudios de ablación para determinar la ubicación óptima de los módulos CBAM y la eficacia de diferentes configuraciones de entrenamiento.
   • La evaluación se realiza en el conjunto de datos ChestXray14 (112,120 imágenes, 14 categorías de enfermedades) utilizando una división por paciente para prevenir la filtración de información.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

• Integración del Marco: Un marco CNN potenciado por CBAM que incorpora mecanismos de atención en espinas estándar (DenseNet121, VGG16) para refinar las representaciones de características para la clasificación multietiqueta.
• Estrategia de Ubicación: Un esquema principista para identificar puntos de inserción óptimos para CBAM, demostrando que integrar la atención en capas semánticas más profundas produce resultados superiores en comparación con una ubicación completa o mínima.
• Análisis de Entrenamiento: Un estudio de ablación que investiga los efectos de la Pérdida Focal, el entrenamiento de una sola etapa y una estrategia de dos etapas inspirada en un currículo. El análisis destaca cómo las configuraciones de entrenamiento afectan el rendimiento bajo un desequilibrio de clases severo.
• Evaluación de Rendimiento: Evaluación en ChestXray14 que muestra una mejora en la detección de condiciones subrepresentadas en comparación con las líneas base de última generación.

Resultados
El método propuesto logra los siguientes resultados en el conjunto de datos ChestXray14:

• Rendimiento General: El modelo VGG16 potenciado por CBAM logró un AUC medio de 0.8695, y el DenseNet121 potenciado por CBAM logró 0.8681. Estas puntuaciones superan los benchmarks anteriores, incluyendo Wang et al. (0.7451), CheXNet (0.841) y SynthEnsemble (0.854).
• Detección de Patologías Raras: Los modelos demostraron resiliencia al desequilibrio de clases en categorías raras:
  • Hernia: CBAM-DenseNet121 logró un AUC de 0.9660 (vs. 0.9172 en trabajos previos).
  • Enfisema: Logró AUCs de 0.9426 (DenseNet) y 0.9422 (VGG16).
  • Neumonía: CBAM-VGG16 logró un AUC de 0.7915.
• Hallazgos de Ablación:
  • Ubicación: Insertar CBAM después de los bloques 3 y 4 en DenseNet121 y los bloques 3, 4 y 5 en VGG16 produjo el rendimiento más alto. Restringir la atención solo al bloque final causó una caída significativa en el rendimiento.
  • Estrategia de Entrenamiento: El enfoque de entrenamiento en dos etapas superó consistentemente al entrenamiento de una sola etapa, incluso cuando los modelos de una sola etapa utilizaron Pérdida Focal. Por ejemplo, el DenseNet121 de dos etapas (Pérdida BCE) alcanzó 0.8681, significativamente más alto que el mejor resultado de una sola etapa de 0.8400 (Pérdida Focal). Esto sugiere que aislar los datos anormales en la etapa inicial es crítico para aprender semánticas interclase en conjuntos de datos desbalanceados.

Significado y Afirmaciones
El artículo afirma que su arquitectura propuesta ofrece un compromiso práctico entre la capacidad de modelado y la eficiencia. Al mejorar las CNN estándar con mecanismos de atención, el método mejora la detección de patologías sutiles y de baja prevalencia sin la sobrecarga computacional de los modelos basados en Transformadores ni la necesidad de costosas anotaciones a nivel de píxel. Los autores enfatizan que el currículo de entrenamiento en dos etapas es un factor crítico para superar el desequilibrio de clases, permitiendo que el modelo aprenda efectivamente patrones discriminativos antes de generalizar a todo el conjunto de datos. El trabajo concluye que la implementación dirigida de mecanismos de atención, combinada con currículos de entrenamiento adaptados, es esencial para un diagnóstico multietiqueta robusto en imágenes médicas. Se sugiere que el trabajo futuro se centre en mejorar la interpretabilidad clínica y modelar las dependencias entre patologías.