Resumen Técnico: TRACE – Un Modelo de Cuello de Botella de Conceptos para la Evaluación Longitudinal de la Respuesta en Glioblastoma 3D

1. Planteamiento del Problema

La evaluación longitudinal de la respuesta al tratamiento del glioblastoma (GBM) es crítica para la toma de decisiones clínicas, pero sigue siendo un desafío debido a la sutileza de los cambios tumorales a lo largo del tiempo y la complejidad de los criterios clínicos. Los clínicos dependen de los criterios de Evaluación de Respuesta en Neurooncología (RANO, por sus siglas en inglés) (específicamente RANO 2.0), que requieren comparar las mediciones del tumor (volumen y Suma de Productos de Diámetros, SPD) entre los escaneos de RM de línea base y de seguimiento para categorizar la respuesta en cuatro clases: Respuesta Completa (CR), Respuesta Parcial (PR), Enfermedad Estable (SD) y Enfermedad Progresiva (PD).

Los enfoques actuales de aprendizaje profundo suelen predecir estas etiquetas de respuesta directamente a partir de características de imagen. Aunque son efectivos en algunas métricas, estos modelos de "caja negra" carecen de interpretabilidad, lo que dificulta que los clínicos inspeccionen el razonamiento o corrijan errores. Además, los modelos estándar a menudo fallan al no codificar explícitamente las dependencias causales estructuradas inherentes al protocolo RANO (por ejemplo, los cambios porcentuales son funciones deterministas de las mediciones de línea base y de seguimiento). Existe la necesidad de un enfoque que se alinee con el razonamiento clínico, ofrezca transparencia y permita la intervención humana a nivel de concepto.

2. Metodología: La Arquitectura TRACE

Los autores proponen TRACE (Razonamiento Causal Temporal con Explicación de Conceptos Acíclica), un Modelo de Cuello de Botella de Conceptos (CBM) diseñado específicamente para la evaluación longitudinal del GBM. A diferencia de los CBM estándar que tratan los conceptos como un conjunto plano de predictores independientes, TRACE estructura el cuello de botella como un Grafo Acíclico Dirigido (DAG) que refleja el proceso de decisión de RANO.

2.1. Entrada y Codificador

El modelo procesa pares de escaneos de RM multimodales (T1, T1ce, T2, FLAIR) de línea base ($t_0$) y de seguimiento ($t_1$), junto con sus correspondientes máscaras de segmentación tumoral.

• Codificador Siameso 3D: Un ResNet-18 3D de pesos compartidos (backbone MedicalNet) codifica ambos puntos temporales por separado para los flujos de RM y de segmentación.
• Representación Temporal: Las salidas del codificador se concatenan con su diferencia explícita ($h_{t1} - h_{t0}$) para formar un triplete longitudinal de características. Estos se fusionan en una representación conjunta ($X_{enc}$).

2.2. Cuello de Botella de Conceptos Estructurado

La innovación central es la separación de los conceptos en tres tipos dentro del DAG:

1. Conceptos Raíz ($C_r$): Mediciones tumorales derivadas de la imagen predichas por "Bloques de Conceptos" (MLP) aprendibles a partir de $X_{enc}$. Estos incluyen volúmenes de línea base/seguimiento ($V_{t0}, V_{t1}$) y SPDs ($SPD_{t0}, SPD_{t1}$).
2. Conceptos Derivados ($C_d$): Estos son nodos deterministas computados mediante reglas matemáticas fijas a partir de los conceptos padres, no aprendidos. Incluyen cambios porcentuales ($\Delta V\%, \Delta SPD\%$) y banderas de umbral binario (por ejemplo, $b_{PD}^{vol}$ si $\Delta V\% \ge 40\%$). Esto asegura la consistencia mutua y evita que el modelo aprenda correlaciones espurias para estos valores derivados.
3. Conceptos de Paso ($M$): Metadatos clínicos inyectados directamente sin codificación de imagen, como el intervalo de escaneo ($\Delta t$) y una bandera de nueva lesión ($b_{NL}$).

La cabeza de tarea final (un MLP) predice la respuesta RANO de 4 clases ($Y$) basándose únicamente en el vector de cuello de botella estructurado $(C_r, C_d, M)$, asegurando que ninguna característica de imagen "oculta" se filtre directamente hacia la clasificación final.

2.3. Consistencia de Intervención en el Entrenamiento

Para abordar el "desajuste entre entrenamiento y prueba" donde la corrección de un concepto en el momento de la prueba podría desplazar la distribución para la cabeza de la tarea, TRACE emplea un Entrenamiento de Consistencia de Intervención:

• Durante el entrenamiento, los conceptos raíz son reemplazados aleatoriamente con valores de verdad de campo (intervención) con una probabilidad $p_{int}$.
• El modelo es penalizado mediante una pérdida de divergencia de Kullback–Leibler ($\mathcal{L}_{IC}$) para asegurar que la predicción sea consistente, ya sea que los conceptos de entrada sean predichos o corregidos.
• La función de pérdida combina un objetivo de macro F1 suave (con ponderación focal para el desequilibrio de clases), una cabeza auxiliar binaria de PD-vs-resto y supervisión de conceptos para los nodos raíz.

3. Principales Contribuciones

1. Primer CBM Alineado con RANO: TRACE es el primer Modelo de Cuello de Botella de Conceptos diseñado específicamente para la clasificación de la respuesta al GBM longitudinal basada en RANO, representando las dependencias clínicas como un DAG en lugar de un conjunto plano de predictores.
2. Razonamiento Determinista en el Cuello de Botella: El modelo codifica las reglas de razonamiento de RANO (cambios porcentuales y umbrales) como nodos deterministas. Esto restringe la cabeza de la tarea a variables interpretables por humanos y asegura que las correcciones de los conceptos se propaguen lógicamente a través de la cadena de razonamiento.
3. Entrenamiento de Consistencia de Intervención: Los autores introducen una estrategia de entrenamiento que penaliza explícitamente el desacuerdo entre las predicciones hechas sobre conceptos predichos frente a conceptos corregidos, permitiendo una intervención fiable en el momento de la prueba.
4. Evaluación en LUMIERE: El modelo es evaluado en el conjunto de datos LUMIERE mediante validación cruzada de 5 pliegues por paciente, demostrando un rendimiento comparable al de las bases de modelos no interpretables, mientras ofrece interpretabilidad.

4. Resultados

Evaluado en el conjunto de datos LUMIERE (361 pares longitudinales de 91 pacientes), TRACE logró lo siguiente:

• Rendimiento de 4 Clases: Un puntaje macro F1 de 0.4769 ± 0.1229.
• Rendimiento Binario (PD vs. No-PD): Un puntaje macro F1 de 0.7085 ± 0.0935.
• Comparación: TRACE superó a un modelo base de CBM de Eficiencia de Datos (DCBM) (0.254 macro F1) y se mantuvo dentro del rango de rendimiento de las bases de aprendizaje profundo no interpretables publicadas (por ejemplo, modelos basados en DenseNet).
• Estudios de Ablación:
  • Eliminar el entrenamiento de consistencia de intervención causó una caída masiva en el rendimiento (el F1 de 4 clases cayó de 0.696 a 0.354 en un pliegue específico), resaltando su papel crítico.
  • Reemplazar el DAG experto por un grafo bipartito plano o eliminar la cadena de derivación determinista también resultó en una degradación significativa del rendimiento, confirmando la necesidad del grafo causal estructurado.
• Experimentos de Intervención: Corregir los conceptos raíz (por ejemplo, el volumen tumoral) en el momento de la prueba logró propagarse a través de los nodos deterministas para cambiar la predicción final (por ejemplo, de CR a PD), validando la auditabilidad del modelo.

5. Significación y Reivindicaciones

El artículo posiciona a TRACE como un paso exploratorio hacia el razonamiento conceptual estructurado y transparente en el diagnóstico por imágenes médicas. Su importancia radica en:

• Auditabilidad: Enmarca la evaluación de la respuesta como un problema de razonamiento estructurado donde los clínicos pueden inspeccionar las mediciones intermedias (volúmenes, SPDs) e intervenir para corregir errores, de modo que la corrección actualiza automáticamente el diagnóstico final.
• Alineación Clínica: Al codificar la lógica de RANO 2.0 en el cuello de botella, el modelo respeta los criterios clínicos explícitos utilizados en la práctica, a diferencia de los modelos de caja negra que aprenden correlaciones implícitas.
• Patrón de Diseño: Los autores sugieren que esta arquitectura sirve como un patrón de diseño para otras tareas de imagen médica longitudinal donde las decisiones dependen de criterios clínicos explícitos, cambios temporales y mediciones intermedias verificables por humanos.

Los autores se mantienen modestos sobre los resultados, señalando que el rendimiento en clases raras (CR y PR) está limitado por el tamaño reducido del conjunto de datos y que el modelo requiere validación externa en conjuntos de datos más grandes y alineados con los protocolos antes de una adopción clínica más amplia. Reconocen que, si bien el modelo mejora la interpretabilidad, la estimación de los conceptos raíz (especialmente las mediciones de línea base) sigue siendo un desafío para trabajos futuros.