When is 3D Worth It? A Resource-Performance Frontier for CNNs and Transformers in Lung CT

Resumen Técnico: ¿Cuándo vale la pena el 3D? Una frontera de recursos y rendimiento para CNN y Transformers en TC de pulmón

Planteamiento del problema
Aunque se asume ampliamente que los modelos tridimensionales (3D) son superiores para el análisis volumétrico de imágenes médicas debido a su capacidad para capturar el contexto volumétrico, su utilidad práctica suele cuestionarse en cuanto a si las mejoras de rendimiento justifican el coste computacional, los requisitos de memoria y la complejidad de optimización adicionales. A pesar de la prevalencia de los enfoques 3D en el análisis de TC de pulmón, existe una falta de evidencia controlada que determine cuándo las entradas 3D son realmente rentables en comparación con las estrategias 2D o híbridas 2.5D, particularmente en escenarios de cribado con desequilibrio de clases.

Metodología
Los autores realizaron un estudio diagnóstico controlado en lugar de proponer una nueva arquitectura. El estudio utilizó una cohorte de la National Lung Screening Trial (NLST) libre de fugas de datos ($n=1,977$) con divisiones por paciente fijas (1,426 entrenamiento, 254 validación, 297 prueba). La tarea fue la clasificación binaria de cáncer a nivel de paciente, caracterizada por un fuerte desequilibrio de clases (prevalencia de aproximadamente el 6,7% en el conjunto de prueba). Se utilizó una cohorte de apoyo de LIDC-IDRI únicamente para la corroboración externa de los modos de fallo, no para el entrenamiento.

El diseño experimental aisló la dimensionalidad de la entrada como la variable principal, manteniendo constante el protocolo de entrenamiento:

• Entradas: Se construyeron tres tipos de entrada a partir de una única serie de TC canónica por paciente:
  • 2D: Un único corte axial central.
  • 2.5D: Tres cortes ortogonales apilados como canales.
  • 3D: Un subvolumen centrado en el pulmón.
• Modelos: Dos familias de arquitecturas base fueron adaptadas a cada dimensión de entrada: una Red Neuronal Convolucional (CNN) residual y un Vision Transformer (ViT).
• Protocolo: Todos los modelos fueron entrenados durante 20 épocas utilizando entropía cruzada binaria ponderada para abordar el desequilibrio, con configuraciones idénticas de optimizador y tasa de aprendizaje.
• Evaluación: El rendimiento se evaluó mediante ROC-AUC, PR-AUC, sensibilidad y especificidad tanto en el umbral por defecto (0.5) como en los umbrales optimizados por validación. El coste computacional se midió mediante la memoria de la GPU y el tiempo de inferencia. Se calcularon intervalos de confianza del 95% mediante bootstrap para las métricas de AUC.

Resultos clave
El estudio encontró que el aumento de la dimensionalidad no garantizó un rendimiento estable o superior en este entorno desequilibrado:

• CNN 2.5D: Logró el compromiso más favorable, obteniendo el ROC-AUC más alto (0.682, 95% CI [0.546, 0.799]) y el PR-AUC más alto (0.158) con un punto de operación estable y un bajo uso de memoria de GPU (~1.6 GB).
• CNN 3D: Exhibió una inestabilidad de umbral significativa, con una sensibilidad que variaba drásticamente (de 0.05 a 0.50) entre diferentes umbrales, a pesar de un ROC-AUC moderado (0.622).
• Transformers (ViT): Sufrieron predicciones degeneradas. El ViT 3D produjo una sensibilidad de cero (todas las predicciones negativas) a pesar de tener un ROC-AUC de 0.589, mientras que el ViT 2.5D mostró una extrema sensibilidad al umbral. Los Transformers generalmente requirieron aproximadamente 3 veces más memoria de GPU que las CNN.
• Significancia estadística: Los autores enfatizan que los intervalos de confianza de bootstrap fueron amplios y se solapaban entre todos los modelos. En consecuencia, las diferencias de ranking en las estimaciones puntuales no son estadísticamente separables.

Contribuciones clave

1. Frontera de recursos-rendimiento: El artículo mapea el compromiso entre la dimensionalidad de la entrada, el coste computacional y la discriminación para ambas familias, CNN y ViT, bajo un protocolo fijo.
2. Taxonomía de modos de fallo: El estudio caracteriza fallos específicos del punto de operación que el ROC-AUC oculta, específicamente la "inestabilidad de umbral" (en CNN 3D) y las "predicciones degeneradas" (por ejemplo, salidas todas positivas o todas negativas en Transformers).
3. Alcance diagnóstico: En lugar de reclamar un nuevo estado del arte, este trabajo sirve como un punto de partida controlado y reproducible para estudios más grandes, tratando explícitamente el alcance de una sola cohorte y el modesto rendimiento absoluto como limitaciones.

Significancia y afirmaciones
El artículo afirma modestamente que, para la clasificación de cribado de cáncer de pulmón con desequilibrio de clases, las entradas 2.5D proporcionan un compromiso más fiable entre rendimiento, estabilidad y eficiencia computacional que las representaciones 3D completas. Los autores argumentan que, si bien el contexto 3D es teóricamente beneficioso, no garantiza un comportamiento estable en regímenes de datos limitados y desequilibrados, y puede introducir dificultades de optimización, particularmente para arquitectes demandantes de datos como los Transformers.

Los hallazgos sugieren que el 2.5D debe considerarse un valor predeterminado práctico y una hipótesis inicial para tareas de clasificación de TC de pulmón, mientras que las representaciones 3D completas pueden ser más apropiadas para tareas posteriores espacialmente intensivas (por ejemplo, segmentación) donde la continuidad volumétrica es crítica. Los autores concluyen que la idoneidad de la dimensionalidad de la entrada depende de la tarea y que la frontera de recursos-rendimiento observada y los modos de fallo son observaciones que deben ser confirmadas en estudios más amplios y de múltiples cohortes, más que afirmaciones de superioridad definitiva.