Resumen Técnico: Olvidar es preservar: Desaprendizaje de máquinas para la segmentación de imágenes médicas 3D

1. Planteamiento del problema

La rápida adopción del aprendizaje profundo en el diagnóstico por imágenes médicas, particularmente para datos volumétricos 3D como RM y TC, plantea preocupaciones críticas sobre la privacidad de los datos. Regulaciones como el GDPR (Artículo 17), HIPAA y la DPDPA 2023 de la India otorgan a los individuos el "derecho a la supresión", que exige que los datos personales sean eliminados no solo del almacenamiento, sino también de los modelos de aprendizaje automático ya entrenados.

En el contexto de la segmentación de imágenes médicas 3D, esto presenta un desafío único. A diferencia de las tareas de clasificación 2D donde "olvidar" puede implicar la eliminación de clases enteras, el desaprendizaje médico requiere eliminar datos a nivel de sujeto (es decir, pacientes específicos). Además, el resultado es una predicción densa, a nivel de vóxel, en lugar de una única etiqueta. El enfoque estándar de cumplimiento —reentrenar un modelo desde cero con los datos restantes— es computacionalmente prohibitivo para los conjuntos de datos volumétricos 3D, requiriendo a menudo cientos de horas de GPU. Por consiguiente, existe la necesidad de estrategias de desaprendizaje aproximado de máquinas que puedan modificar un modelo preentrenado existente para "olvidar" sujetos específicos manteniendo un alto rendimiento en los datos retenidos, sin el costo de un reentrenamiento completo.

2. Metodología

2.1 Arquitectura de la columna vertebral (Backbone)

El estudio utiliza una arquitectura 3D ResNet-50 preentrenada con el marco Med3D. Esta columna vertebral se elige por su capacidad para aprender representaciones volumétricas robustas de diversos conjuntos de datos médicos 3D (pulmón, hígado, cerebro) a través de modalidades de TC y RM. El modelo se descompone en:

• Codificador ($E_\phi$): Un 3D ResNet-50 que extrae características espaciotemporales.
• Decodificador/Cabezal de segmentación ($G_\psi$): Un decodificador multicapa que involucra convoluciones transpuestas 3D y capas de refinamiento que mapean las características a logits de clase por vóxel.

El modelo fue ajustado (fine-tuned) en el conjunto de datos MRBrainS18, que contiene anotaciones de expertos para estructuras cerebrales en sujetos de edad avanzada.

2.2 Configuración experimental

• Conjunto de datos: MRBrainS18 (10 sujetos).
• Conjunto de olvido ($D_f$): 2 sujetos (20% de los datos).
• Conjunto de retención ($D_r$): Los 8 sujetos restantes.
• Tarea: Segmentación binaria (tejido cerebral frente a tejido no cerebral).
• Horizontes de entrenamiento: Las estrategias de desaprendizaje fueron evaluadas durante 20 y 50 épocas.
• Métricas:
  • Coeficiente de Similitud de Dice (DSC): Mide el solapamiento espacial.
  • Error Absoluto Medio (MAE): Mide la desviación de la probabilidad de predicción.
  • Métricas de brecha (Gap Metrics): $\Delta$Dice ($D_r - D_f$) y $\Delta$MAE ($D_f - D_r$) para cuantificar el compromiso entre el olvido y la retención.

2.3 Estrategias de desaprendizaje

El estudio evalúa varias estrategias de desaprendizaje aproximado adaptadas del marco I2I y otra literatura, categorizadas en cuatro mecánicas:

1. Enfoques basados en gradientes (GA):

   • Etiqueta de retención / Pérdida máxima: Modifica la función de pérdida negando el gradiente para el conjunto de olvido (maximizando el error) mientras minimiza el error para el conjunto de retención.
   • Riesgo: El ascenso de gradiente no acotado puede llevar a una degradación catastrófica del conjunto de retención.

2. Manipulación de etiquetas y datos:

   • Etiqueta ruidosa (NL): Reemplaza las etiquetas de verdad de campo (ground-truth) de los sujetos de olvido con etiquetas aleatorias uniformes durante el entrenamiento. El modelo se optimiza sobre esta distribución manipulada, sobrescribiendo efectivamente las representaciones memorizadas para los sujetos de olvido mientras refuerza a los sujetos de retención.

3. Intervenciones en el espacio de características:

   • Codificador aleatorio (RE): Sobrescribe los mapas de características latentes de los sujetos de olvido con ruido gaussiano antes de que lleguen al decodificador.
   • Aprender otros (LO) y Aprender ruido (LN): Utiliza un paradigma de destilación profesor-estudiante. El codificador estudiante es forzado a mapear a los sujetos de olvido hacia un objetivo genérico (ya sea el promedio de las características del lote actual o ruido gaussiano dinámico) mientras imita al profesor para los sujetos de retención.

4. Ajuste fino y reentrenamiento selectivo:

   • Decodificador fijo (FD): Congela el cabezal de segmentación (decodificador) y solo actualiza los parámetros del codificador mediante destilación. Esto busca confinar el olvido al espacio de características latentes para evitar la deriva del decodificador.

3. Resultados clave

Los experimentos revelaron diferencias significativas en los compromisos entre la efectividad del olvido y la retención de utilidad:

• Estrategia de Etiqueta Ruidosa (NL): Este enfoque demostró ser el mejor compromiso general.

  • Después de 50 épocas, logró una Brecha de Dice de +0.6963 y un MAE de +0.091.
  • Redujo la puntuación de Dice del conjunto de olvido en un 93% (de 0.9226 a 0.0613).
  • Crucialmente, mantuvo una precisión del 84% en el conjunto de retención (puntuación de Dice de 0.7576).
  • A diferencia de otros métodos, su rendimiento mejoró con horizontes de entrenamiento más largos, fortaleciendo simultáneamente el olvido y la retención.

• Métodos basados en gradientes (Etiqueta de retención/Pérdida máxima): Aunque fueron efectivos para eliminar el rendimiento del conjunto de olvido, estos métodos sufrieron una degradación catastrófica del conjunto de retención, especialmente a las 50 épocas. La negación no restringida de la pérdida llevó al modelo hacia regiones pobres del espacio de parámetros.

• Intervenciones en el espacio de características (RE, LO, LN):

  • Codificador Aleatorio (RE) preservó el rendimiento de retención pero logró un olvido muy limitado (brecha de Dice ~0.01–0.04), lo que sugiere que el decodificador puede compensar las características corruptas del codificador.
  • Aprender Otros/Ruido (LO/LN) causó un colapso casi total del rendimiento de retención, indicando que la manipulación agresiva de las características interrumpió demasiado las representaciones aprendidas.

• Decodificador Fijo (FD): Mostró un desaprendizaje moderado a las 20 épocas, pero se volvió inestable a las 50 épocas, terminando por revertir el comportamiento deseado al realizar un mejor desempeño en el conjunto de olvido que en el de retención.

4. Contribuciones y significancia

El artículo reclama las siguientes contribuciones y significancia:

1. Primer benchmark sistemático: Hasta donde saben los autores, este es el primer estudio que evalúa sistemáticamente múltiples estrategias de desaprendizaje aproximado específicamente para la segmentación de imágenes médicas 3D utilizando conjuntos de olvido a nivel de sujeto. Los benchmarks previos se limitaron mayoritariamente a tareas de clasificación 2D (ej. CIFAR-10, ImageNet).
2. Evaluación empírica del desaprendizaje 3D: El estudio adapta y evalúa estas estrategias en un marco Med3D ResNet-50, proporcionando los primeros datos empíricos sobre la eliminación de conocimiento específico del paciente en modelos volumétricos 3D.
3. Protocolo de evaluación reproducible: Los autores establecen un protocolo utilizando métricas específicas de segmentación (Dice y MAE) para cuantificar el compromiso entre la efectividad del olvido y la utilidad clínica retenida, abordando la dificultad de aplicar métricas 2D a tareas de predicción densa 3D.
4. Identificación de la estrategia óptima: El estudio identifica la estrategia de Etiqueta Ruidosa como el método más robusto para este dominio, capaz de lograr un fuerte olvido preservando la mayor parte de la utilidad del modelo en los datos retenidos.

5. Conclusión y trabajo futuro

El estudio concluye que, si bien existen muchas estrategias de desaprendizaje, estas a menudo fallan en el contexto de alta dimensionalidad y complejidad de las imágenes médicas 3D, ya sea fallando en el olvido efectivo o destruyendo la utilidad del modelo. La estrategia de Etiqueta Ruidosa emerge como la solución más viable para el desaprendizaje a nivel de sujeto en este dominio.

Los autores señalan que el trabajo futuro debería centrarse en:

• Evaluaciones de privacidad adversariales formales utilizando ataques de inferencia de membresía o ataques de inversión de modelo para demostrar rigurosamente la eliminación de la información residual.
• Investigar algoritmos de optimización adaptativos (ej. programación dinámica de alfa) y ajuste fino eficiente en parámetros (ej. LoRA) para estabilizar aún más el desaprendizaje en el espacio de características.

El artículo enfatiza que desarrollar métodos de desaprendizaje efectivos es un paso necesario hacia la construcción de sistemas de IA clínica confiables que respeten los principios de privacidad en entornos de salud del mundo real.