Understanding Model Behavior in Monocular Polyp Sizing

Resumen Técnico: Comprensión del Comportamiento del Modelo en la Medición de Pólipos Monocular

Formulación del Problema
La estratificación precisa del tamaño de los pólipos colorrectales es crítica para las decisiones de vigilancia clínica, específicamente para distinguir entre pólipos diminutos (≤5 mm) y aquellos que requieren un seguimiento más cercano (>5 mm). Sin embargo, la colonoscopia monoculular sufre de una ambigüedad geométrica de escala inherente: bajo un modelo de cámara de agujero, el diámetro aparente ($A$) de un pólipo es una función de su diámetro real ($S$) y la distancia de la cámara ($Z$) ($A = fS/Z$). Sin una referencia métrica, un pólipo pequeño visto de cerca es visualmente indistinguible de un pólipo grande visto desde una distancia.

Esta ambigüedad se ve agravada por el comportamiento del examen clínico. Los endoscopistas mueven naturalmente la cámara más cerca de los pólipos diminutos para confirmar su estado, mientras que observan las lesiones más grandes desde un campo de visión más amplio. Este comportamiento crea una correlación espuria entre la escala aparente y la etiqueta de tamaño en los datos de entrenamiento naturalistas. En consecuencia, los modelos automatizados pueden depender de "atajos"—pistas correlacionadas con el comportamiento de examen en lugar de un razonamiento geométrico real—lo que conduce a errores sistemáticos cuando las condiciones de despliegue difieren de las distribuciones de entrenamiento.

Metodología y Configuración Experimental
Los autores presentan una auditoría diagnóstica de la clasificación binaria del tamaño de pólipos (≤5 mm vs. >5 mm) en dos conjuntos de datos públicos y multicéntricos: Real-Colon y SUN-SEG. El conjunto de datos combinado contiene 232 pólipos únicos (147 ≤5 mm, 85 >5 mm) de 159 pacientes. Para prevenir la fuga de datos, los experimentos utilizan una validación cruzada de 5 pliegues estratificada por paciente.

El estudio evalúa tres modalidades de entrada distintas y familias de modelos para aislar las contribuciones de la arquitectura frente a los datos:

1. Apariencia: Un ResNet18 y un ViT-B operando sobre imágenes RGB enmascaradas.
2. Profundidad Relativa: Una CNN de tres bloques (CNN3) operando sobre mapas de profundidad relativa generados por PPSNet.
3. Fotometría/Geometría: Un MLP de dos capas utilizando 51 características geométricas y fotométricas diseñadas a mano.

Para diagnosticar las limitaciones de los modelos actuales, los autores introducen tres intervenciones dirigidas:

• Auditoría de Sesgo Modelo-Datos: Comparación del rendimiento entre modalidades y arquitecturas para identificar puntos de convergencia.
• Escalera de Escala Métrica: Aplicación de correcciones de escala "oráculo" a variadas granularidades (por cuadro, por pólipo y global) a los mapas de profundidad relativa. Esto cuantifica la ganancia de rendimiento teórica si estuviera disponible una escala métrica perfecta. También se prueban estimadores de profundidad métrica comerciales (MetricCol) y factores de calibración globales.
• Robustez de la Calidad de la Máscara: Reemplazo de las cajas delimitadoras de verdad fundamental con predicciones de un modelo de segmentación (PolypPVT) y aplicación de perturbaciones de caja delimitadora (±20%) para evaluar cómo los errores de segmentación se propagan a las tareas de medición.

Resultados Clave

1. Techo de Rendimiento y Dependencia de Atajos: En todas las arquitecturas y modalidades de entrada (RGB, profundidad relativa, fotometría), los modelos convergen a un techo de rendimiento similar con una puntuación Macro-F1 de aproximadamente 0.75. El análisis diagnóstico de las características del MLP revela que los modelos dependen heavily de la "tamaño aparente" (la relación entre el área de la caja delimitadora y el área de la imagen), lo que confunde la escala real con la distancia. Esto sugiere que el techo está impulsado por la falta de información métrica y la dependencia de pistas del comportamiento de examen, en lugar de una capacidad de modelo insuficiente.
2. Ganancias Limitadas de la Estimación de Profundidad Actual: Proporcionar información de escala por cuadro "oráculo" produce un impulso significativo en el rendimiento (+16.1 puntos porcentuales, de 0.725 a 0.886), lo que indica que existe un margen considerable si se resuelve la ambigüedad de escala. Sin embargo, los estimadores de profundidad métrica actuales (MetricCol) y los métodos de calibración global no logran recuperar esta ganancia en datos clínicos, mostrando una mejora insignificante sobre las líneas base de profundidad relativa. La ganancia del oráculo se concentra en cuadros "inconsistentes con el atajo" donde el tamaño aparente contradice el tamaño físico real, confirmando que la ambigüedad de escala es el modo de fallo principal en estos casos.
3. Segmentación como Cuello de Botella Independiente: La calidad de la segmentación actúa como un cuello de botella crítico e independiente. Cuando las máscaras de verdad fundamental se reemplazan por predicciones de un modelo de segmentación entrenado con datos diferentes, el rendimiento del modelo de medición basado en profundidad cae 15.3 puntos porcentuales (de 0.725 a 0.572). Incluso con escala por cuadro "oráculo", el uso de máscaras predichas recupera el rendimiento solo al nivel de la línea base sin escalar (0.736). Esto demuestra que los puntos de referencia de segmentación dentro del dominio no predicen la robustez de la medición aguas abajo bajo un cambio de distribución.
4. Limitaciones de la Fotometría: Los intentos de usar pistas fotométricas (luminancia de fondo) como un proxy para la distancia fallaron, recuperando solo el 17% del margen de escala oráculo. Esto se atribuye al Control de Exposición Automática en los endoscopios clínicos, que ajusta la ganancia del sensor para mantener un brillo estable, rompiendo la relación de la ley del cuadrado inverso entre el brillo y la distancia.

Significado y Contribuciones
El artículo argumenta que el progreso en la medición de pólipos monoculares está actualmente limitado por tres factores independientes: la falta de una escala métrica precisa por cuadro, la fragilidad de las máscaras de segmentación bajo un cambio de dominio y la escasez de conjuntos de datos a gran escala y multicéntricos con anotaciones de tamaño fiables.

Los autores afirman que su trabajo proporciona un marco diagnóstico para futuras investigaciones, ofreciendo herramientas de evaluación reutilizables como:

• Escaleras de Escala Oráculo: Para cuantificar el límite superior teórico del rendimiento dada una información de escala perfecta.
• Particiones de Atajos: Para aislar y analizar casos donde el comportamiento de examen crea pistas engañosas.
• Sustitución de Máscaras: Para auditar la robustez de las tuberías de medición ante errores de segmentación.

El estudio concluye que, aunque los modelos actuales funcionan adecuadamente cuando el tamaño aparente se alinea con el tamaño real, se degradan significativamente cuando el comportamiento clínico crea contradicciones. Los avances futuros dependerán probablemente de referencias de escala fundamentadas clínicamente (por ejemplo, anclajes basados en instrumentos), una mayor robustez en la segmentación y una mayor diversidad de datos, en lugar de simplemente escalar la capacidad del modelo. El código y las herramientas están disponibles públicamente para facilitar una auditoría adicional de las tuberías de medición de pólipos.