M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification

Resumen Técnico: M3Net para la Clasificación de Nódulos Pulmonares

Enunciado del Problema
La diferenciación precisa entre nódulos pulmonares benignos y malignos en tomografías computarizadas (TC) es una tarea crítica pero desafiante en el cribado temprano del cáncer de pulmón. Si bien los modelos de aprendizaje profundo han demostrado una alta precisión predictiva en conjuntos de datos de referencia como LIDC-IDRI, a menudo funcionan como "cajas negras", careciendo de la transparencia y la explicabilidad necesarias para su integración clínica. Los enfoques existentes frecuentemente fallan en modelar sistemáticamente la lógica diagnóstica jerárquica utilizada por los radiólogos, la cual progresa desde detalles estructurales de alta resolución hasta el contexto local y, finalmente, a las relaciones anatómicas globales. Además, muchos modelos dependen de entradas de modalidad única o de técnicas de explicabilidad post-hoc que no se alinean con las representaciones internas de características del modelo, lo que limita su fiabilidad en escenarios diagnósticos del mundo real.

Metodología: M3Net
Los autores proponen M3Net, una red 3D novedosa inspirada en el flujo de trabajo diagnóstico jerárquico de los radiólogos. El marco de trabajo opera bajo un principio Macro $\rightarrow$ Meso $\rightarrow$ Micro, integrando información contextual multi-escala mediante un protocolo de entrenamiento en dos etapas y un mecanismo de fusión de atención cruzada jerárquica.

1. Estrategia de Entrada Inspirada en la Clínica:
   El modelo procesa tres parches volumétricos anidados que representan diferentes escalas espaciales:

   • Escala Micro ($X_{32}$): Captura estructuras finas del nódulo (por ejemplo, espiculación, lobulación, textura interna).
   • Escala Meso ($X_{64}$): Codifica el contexto local y las relaciones perinodulares (por ejemplo, convergencia vascular, adyacencia pleural).
   • Escala Macro ($X_{96}$): Representa relaciones espaciales globales y contexto anatómico de largo alcance (por ejemplo, compresión de tejidos, conectividad vascular a gran escala).

2. Codificación y Alineación Específicas por Escala:
   Cada escala es procesada por una red base dedicada (por ejemplo, ConvNeXt, ResNet). Para garantizar la consistencia semántica entre escalas, los autores emplean un protocolo de entrenamiento en dos etapas:

   • Etapa 1 (Pre-entrenamiento Discriminativo): Cada rama específica de escala se optimiza independientemente utilizando un objetivo de clasificación de entropía cruzada. Las capas inferiores se congelan parcialmente para preservar representaciones de textura y bordes de bajo nivel.
   • Etapa 2 (Alineación Inter-escala): La red se ajusta fino para imponer consistencia entre escalas. Esto implica proyectar características específicas de escala en un espacio latente unificado y optimizar una pérdida de alineación jerárquica ($\mathcal{L}_{align}$) que comprende:
     • Pérdida InfoNCE: Maximiza la información mutua entre incrustaciones latentes de diferentes escalas.
     • Alineación de Covarianza: Minimiza la distancia de Frobenius entre matrices de covarianza específicas de escala para estabilizar la geometría de las características.
     • Regularización de Ortogonalidad y Norma Nuclear: Previene el colapso de la representación y fomenta subespacios diversos y complementarios.

3. Fusión de Atención Cruzada Jerárquica:
   Las características alineadas se fusionan mediante un mecanismo de atención progresivo que imita el razonamiento clínico:

   • Etapa I (Razonamiento Periférico): Las incrustaciones de escala baja y media intercambian señales de límites y textura.
   • Etapa II (Asimilación de Contexto): Las incrustaciones de escala global interactúan con características locales refinadas para modular señales de alta resolución con un contexto más amplio.
   • Etapa III (Integración): Un codificador Transformer jerárquico integra la secuencia fusionada, aplicando regularización $l_2$ sobre los pesos de atención para evitar un enfoque excesivamente seguro, antes de la clasificación final.

Contribuciones Clave

• Marco Jerárquico: El artículo introduce una red 3D Macro-Meso-Micro (M3) guiada clínicamente que alinea el razonamiento del modelo con el flujo de trabajo cognitivo del radiólogo, avanzando desde detalles finos hasta el contexto global.
• Fusión Progresiva Multi-escala: El método construye entradas multi-escala progresivas y emplea codificadores específicos de escala con proyección de espacio latente y maximización de información mutua para garantizar la consistencia semántica inter-escala.
• Rendimiento de Vanguardia: Experimentos extensivos demuestran que M3Net supera a las líneas base existentes (incluyendo 3D-CNN, ResNets y modelos basados en Transformer) tanto en el conjunto de datos público LIDC-IDRI como en un conjunto de datos clínico recopilado internamente (USTC-FHLN).
• Explicabilidad por Diseño: A diferencia de los métodos post-hoc, la arquitectura del modelo soporta inherentemente la explicabilidad al estructurar la extracción de características para reflejar los pasos diagnósticos clínicos, facilitando la verificación cruzada humano-máquina.

Resultados Experimentales
Los autores evaluaron M3Net en dos conjuntos de datos:

• LIDC-IDRI: M3Net logró una precisión del 86.96%, superando a la mejor línea base (ResNet-18 con 82.67% y DeepLung con 83.70%) en un 3.26%. También alcanzó la puntuación F1 más alta (86.66%) y la precisión equilibrada más alta (80.12%).
• USTC-FHLN (Datos Clínicos): El modelo logró una precisión del 84.24%, superando a la mejor línea base en un 2.17%.
• Estudios de Ablación:
  • Eliminar cualquier escala individual (Micro, Meso o Macro) resultó en una degradación del rendimiento, confirmando el valor complementario de la información multi-escala.
  • La pérdida de alineación completa (incluyendo términos de covarianza, ortogonalidad y norma nuclear) fue crítica, siendo la pérdida de norma nuclear la que contribuyó significativamente a la consistencia global.
  • Las visualizaciones Grad-CAM indicaron que M3Net produce mapas de atención más estables y espacialmente concentrados alrededor de las regiones de los nódulos en comparación con las líneas base, que a menudo exhibían activación dispersa sobre los tejidos circundantes.

Significado y Afirmaciones
El artículo afirma que M3Net proporciona una solución robusta y clínicamente relevante para la clasificación de nódulos pulmonares al cerrar la brecha entre la IA basada en datos y la práctica clínica. Al incrustar la lógica diagnóstica jerárquica del radiólogo en la arquitectura de la red, el modelo no solo logra una precisión superior, sino que también ofrece un proceso de razonamiento estructurado e interpretable. Los autores postulan que este enfoque mejora la fiabilidad del diagnóstico asistido por IA, permitiendo a los médicos evaluar las predicciones desde una perspectiva fisiopatológica. Si bien el marco se centra actualmente en nódulos pulmonares, los autores sugieren que el paradigma de razonamiento jerárquico macro-meso-micro podría extenderse a otras tareas de imagen médica centradas en lesiones, como el análisis de lesiones hepáticas y la evaluación de masas mamarias, siempre que se realicen adaptaciones específicas para la tarea.