ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

Resumen Técnico: ClinRAG-GRAPH

Planteamiento del Problema
La predicción precisa de la respuesta patológica completa (pCR) a la quimioterapia neoadyuvante (NAC) en el cáncer de mama antes del tratamiento es crítica para la estratificación del tratamiento. Sin embargo, la predicción robusta previa al tratamiento sigue siendo un desafío debido a tres limitaciones principales en los enfoques existentes: (1) un modelado cross-modal insuficiente, donde los operadores de fusión simples no logran explotar las dependencias estructuradas entre los datos de imagen, clínicos y patológicos; (2) heterogeneidad de imagen multicéntrica, donde las diferencias de escáner y protocolo introducen sesgos específicos de dominio que dificultan la generalización entre centros; y (3) una falta de interpretabilidad basada en evidencia, ya que la mayoría de los modelos emiten probabilidades escalares sin recuperar evidencia basada en casos para respaldar la toma de decisiones clínicas.

Metodología: ClinRAG-GRAPH
Los autores proponen ClinRAG-GRAPH, un marco de Generación Aumentada por Recuperación con Grafos (RAG) clínicamente informada, diseñado para integrar DCE-MRI, variables clínicas estructuradas y biomarcadores patológicos derivados de biopsias. La arquitectura consta de cuatro componentes principales:

1. Construcción de Grafo de Prior Clínico Semántico Jerárquico:
   En lugar de una conectividad homogénea, el modelo construye un grafo dirigido intra-paciente donde los nodos representan variables de imagen y clínico-patológicas. Los bordes se categorizan en tres niveles semánticos basados en guías clínicas y consenso de radiólogos:

   • Prior fuerte: Asociaciones fijas de alta confianza (p. ej., acoplamientos de biomarcadores moleculares).
   • Prior suave: Relaciones acordadas clínicamente con variabilidad inter-paciente.
   • Prior aprendible: Relaciones inciertas inicializadas con un peso bajo y aprendidas de los datos.
     Estos priors se inyectan como sesgos de logaritmo (log-biases) en los logits de atención solo en la primera capa del grafo para guiar el flujo temprano de información cross-modal sin desestabilizar la optimización.

2. PRAttn-RGCN (Red de Convolución de Grafos Relacionales con Atención Guiada por Priores):
   Una Red de Convolución de Grafos Relacional con Conciencia de Relación utiliza el grafo construido para fusionar modalidades heterogéneas. Emplea mecanismos de atención específicos de la relación donde la fuerza del prior guía el paso de mensajes inicial. El modelo agrega las incrustaciones (embeddings) de los nodos mediante pooling de media para generar una representación del paciente para la predicción de pCR.

3. Aprendizaje Adversario de Dominio:
   Para abordar la heterogeneidad de la RM multicéntrica, se emplea una estrategia adversaria de doble rama. Una capa de inversión de gradiente (GRL) conecta el codificador de imagen con un clasificador de dominio. Esto obliga a la representación de la imagen a ser discriminativa para la pCR mientras suprime las señales específicas de escáner/protocolo, mejorando así la invarianza de dominio.

4. Módulo RAG de Subgrafo impulsado por LLM:
   Para mejorar la interpretabilidad y la robustez bajo cambios de distribución, el marco incorpora un recuperador de Modelo de Lenguaje de Gran Escala (LLM) (DeepSeek-V3.2). Durante la inferencia, el sistema recupera casos históricos clínicamente análogos basados en las incrustaciones de grafos aprendidas y las firmas de atención. La evidencia recuperada se fusiona con la predicción del backbone para proporcionar una inferencia fundamentada en evidencia. El LLM también genera explicaciones post-hoc estructuradas y verificables basadas en los metadatos de recuperación y las pistas de bordes conductores (driver-edge cues).

Contribuciones Clave

• Construcción de Grafos: La introducción de un grafo de prior clínico jerárquico que codifica el conocimiento médico directamente en la estructura de los bordes, evitando la necesidad de restricciones de pérdida auxiliares.
• Mecanismo de Robustez: El diseño de un mecanismo de atención relacional guiado por priors combinado con aprendizaje adversario para mitigar el sesgo del protocolo de RM multicéntrico mientras se preservan las características relevantes para la tarea.
• Interpretabilidad: La integración de un módulo RAG de subgrafo impulsado por LLM que recupera casos similares y proporciona razonamientos estructurados y basados en evidencia para las predicciones, yendo más allá de las salidas de probabilidad escalar.
• Validación: El ensamblaje y evaluación de una cohorte de cáncer de mama para NAC a gran escala y multicéntrica, comprendiendo dos conjuntos de datos públicos y tres centros propios.

Resultados
El modelo fue evaluado en conjuntos de prueba internos (agregados de tres centros) y dos conjuntos de prueba externos (Ycenter y Qcenter).

• Desempeño: ClinRAG-GRAPH logró un AUC de 0.815 (IC 95%: 0.738–0.885) en el conjunto de prueba interno, superando a los baselines de vanguardia, incluyendo R-GCN (0.706), LMF (0.678) e iMRhpc (0.699).
• Generalización: En los conjuntos de prueba externos, el modelo mantuvo un desempeño robusto con AUCs de 0.774 (Ycenter) y 0.712 (Qcenter). Notablemente, alcanzó la mayor especificidad (0.946) en Ycenter y la mejor precisión balanceada (0.676) en la desafiante cohorte de Qcenter.
• Ablación: Los experimentos confirmaron que cada componente contribuye al desempeño. El grafo de prior clínico proporcionó la ganancia inicial sobre un R-GCN estándar, mientras que el desacoplamiento adversario y el módulo RAG mejoraron aún más la generalización en dominios externos.
• Interpretabilidad: El análisis SHAP demostró que el modelo captura dependencias cross-modales clínicamente significativas (p. ej., ER, PR, HER2, Ki67, edad y características de la RM) que varían a través de los subtipos moleculares, validando el razonamiento relacional estructurado.

Significancia
El artículo afirma que ClinRAG-GRAPH ofrece un avance significativo en la predicción de pCR pre-tratamiento al abordar los desafíos específicos de la integración multimodal, el cambio de dominio y la interpretabilidad. Al combinar priors clínicos estructurados con adaptación de dominio adversaria y generación aumentada por recuperación, el marco demuestra un desempeño competitivo y consistente a través de diversos centros. Los autores postulan que este enfoque apoya estrategias de tratamiento de NAC individualizadas, particularmente para la escalada o desescalada temprana, al proporcionar predicciones que no solo son precisas, sino también fundamentadas en evidencia clínica recuperable. El código se pone a disposición para facilitar la investigación adicional en este dominio.