Anatomy-Slot: Unsupervised Anatomical Factorization for Homologous Bilateral Reasoning in Retinal Diagnosis

Resumen Técnico: Anatomy-Slot para el Diagnóstico Retino Bilateral

Enunciado del Problema
El diagnóstico retino es inherentemente una tarea clínica bilateral, donde los clínicos comparan estructuras homólogas (por ejemplo, asimetría del disco óptico) entre los ojos izquierdo y derecho para detectar enfermedades. Sin embargo, la mayoría de los modelos de aprendizaje profundo existentes operan sobre representaciones monoculares, tratando cada ojo de forma independiente. Los autores hipotetizan que la clasificación monocular basada en texturas es insuficiente para la detección de enfermedades bilaterales y que es necesaria una comparación estructural explícita para lograr un rendimiento alineado clínicamente. Aunque el modelado bilateral y la descomposición de slots centrados en objetos existen independientemente en la literatura, su integración como unidades de correspondencia explícitas para el razonamiento anatómico homólogo no ha sido probada empíricamente bajo condiciones controladas estadísticamente.

Metodología: Anatomy-Slot
El marco propuesto Anatomy-Slot operacionaliza la hipótesis de correspondencia cruzada entre ojos explícita mediante un cuello de botella anatómico no supervisado. La tubería consta de los siguientes componentes:

1. Columna vertebral y tokenización: Dado un par de imágenes de fondo de ojo bilaterales $(x_L, x_R)$, el modelo utiliza una columna vertebral compartida RETFound ViT-L para extraer tokens de parche.
2. Factorización anatómica no supervisada (Atención de slots): Para cada ojo, los tokens de parche se descomponen en $K$ slots centrados en objetos utilizando Atención de slots (con $I=3$ iteraciones). Este proceso inicializa los slots como parámetros aprendibles y los actualiza mediante un mecanismo de atención competitiva (softmax sobre slots, renormalizado sobre tokens) y un GRU, produciendo un conjunto de representaciones de slots $S \in \mathbb{R}^{K \times D}$ por ojo.
3. Correspondencia cruzada entre ojos bidireccional: Para alinear estructuras homólogas, el modelo emplea atención cruzada bidireccional. Los slots del ojo izquierdo consultan los slots del ojo derecho (y viceversa) utilizando atención cruzada multi-cabeza ($H=8$). Esto permite que el modelo alinee explícitamente los slots entre ojos, creando una representación consciente de la correspondencia.
4. Aprendizaje de doble objetivo: El modelo se entrena con un objetivo combinado:
   • Pérdida de clasificación ($L_{cls}$): Pérdida supervisada estándar para el diagnóstico de enfermedades.
   • Pérdida de reconstrucción ($L_{recon}$): Una tarea auxiliar no supervisada donde cada slot predice valores RGB por parche y logits de máscara. Un decodificador ligero reconstruye una imagen RGB de baja resolución. Esta pérdida estabiliza el aprendizaje de los slots y previene el colapso de slots.
   • Objetivo total: $L = L_{cls} + 0.5 L_{recon}$.
5. Protocolo de entrenamiento: El módulo de slots se somete a preentrenamiento no supervisado en un conjunto de ~20k imágenes retinas sin etiquetar. Durante el ajuste fino supervisado en el conjunto de datos objetivo, solo se desbloquean el último bloque ViT y los parámetros de normalización de capa, mientras que las iteraciones de slots se reducen a 3.

Contribuciones Clave

• Arquitectura: Una arquitectura novedosa basada en slots bilaterales donde los slots sirven como unidades de correspondencia, y la atención cruzada facilita el intercambio explícito de información entre ojos.
• Rigor estadístico: Un protocolo de evaluación robusto que involucra $n=10$ semillas independientes, intervalos de confianza del 95% y pruebas pareadas no paramétricas (prueba de rangos con signo de Wilcoxon) para garantizar la significancia estadística.
• Análisis mecanístico: Pruebas exhaustivas que exploran la dependencia del modelo de la correspondencia, incluidos experimentos de alteración de emparejamiento, pruebas de estrés bajo ruido gaussiano y análisis cuantitativo del anclaje del disco óptico.

Resultados
Evaluado en el conjunto de datos ODIR-5K (diagnóstico multietiqueta bilateral), el método demuestra mejoras significativas sobre las líneas base emparejadas:

• Rendimiento: Anatomy-Slot logra un macro AUC de 0.865, una mejora del 4.2% sobre la línea base ViT-L emparejada (0.823). La mejora es estadísticamente significativa ($W=0, p=0.002$).
• Estudios de ablación:
  • El procesamiento bilateral sin slots produce solo una ganancia modesta (0.828 AUC).
  • La descomposición de slots sin interacción entre ojos tiene un rendimiento inferior (0.754 AUC).
  • Eliminar la pérdida de reconstrucción causa colapso de slots, degradando el rendimiento a 0.729 AUC.
  • El rendimiento del modelo completo alcanza su punto máximo con $K=8$ slots; menos slots subrepresentan la anatomía, mientras que más slots diluyen la correspondencia.
• Dependencia de la correspondencia: Cuando se altera el emparejamiento izquierda-derecha (barajado durante la evaluación), el rendimiento de Anatomy-Slot cae 18.3 puntos (de 0.865 a 0.682), mientras que la línea base cae solo 3.2 puntos. Esto respalda la hipótesis de que el modelo depende del ajuste estructural homólogo.
• Robustez: Bajo ruido gaussiano ($\sigma=0.2$), Anatomy-Slot mantiene un AUC de 0.685, superando tanto a la línea base (0.578) como a la variante "Sin Slots" (0.595).
• Anclaje: En el conjunto de datos REFUGE (transferencia zero-shot), el modelo logra una Intersección sobre Unión media (mIoU) de 0.635 para la localización del disco óptico utilizando Slot 1, superando significativamente a una línea base de agrupamiento de características K-Means (0.452).
• Separabilidad: La Razón de Fisher en el espacio de representación penúltimo aumenta de 0.85 (línea base) a 1.62 (Anatomy-Slot), indicando una mejor separabilidad de clases.

Significado y Afirmaciones
El artículo afirma que el modelado explícito de la correspondencia cruzada entre ojos mediante factorización anatómica no supervisada mejora significativamente el rendimiento diagnóstico en la detección de enfermedades retinas. Los resultados sugieren que la ganancia de rendimiento surge específicamente de la combinación de slots estructurados centrados en objetos y el alineamiento entre ojos, en lugar de provenir del procesamiento bilateral o la descomposición de slots por separado.

Los autores posicionan este trabajo como un paso hacia la "IA retina alineada clínicamente", demostrando que los modelos pueden aprender a depender del ajuste anatómico homólogo de manera no supervisada. Los análisis mecanísticos (alteración de emparejamiento, localización de atención) proporcionan evidencia de que el comportamiento del modelo es consistente con el proceso de razonamiento clínico de comparar estructuras homólogas. Los autores reconocen limitaciones, incluida la evaluación principalmente en un solo conjunto de datos y la necesidad de pruebas adicionales sobre desalineación clínica, pero concluyen que el enfoque ofrece un camino hacia sistemas de soporte diagnóstico interpretables.