Resumen Técnico: TRCGL-Net

Planteamiento del Problema

La clasificación multietiqueta de radiografías de tórax (CXR) es una tarea crítica en la imagenología médica inteligente, pero enfrenta obstáculos significativos debido a la distribución de cola larga (long-tailed distribution) de los datos clínicos del mundo real. En conjuntos de datos como PadChest, un pequeño número de categorías de enfermedades comunes (clases de cabeza o head classes) domina el recuento de muestras, mientras que la mayoría de las categorías de enfermedades (clases de cola o tail classes) sufren de una escasez extrema de muestras. Este desequilibrio provoca que los modelos de aprendizaje profundo se sesguen hacia las clases mayoritarias, lo que resulta en un rendimiento degradado para las enfermedades raras.

Los autores identifican tres factores intrínsecos que exacerban este problema:

1. Escasez de Datos y Deriva Semántica: Las clases de cola tienen muy pocas muestras positivas. Los métodos de aumentación tradicionales a menudo fallan al no incorporar restricciones semánticas a nivel de enfermedad, lo que conduce a muestras generadas que carecen de características específicas de la lesión o que se desvían de los patrones patológicos reales.
2. Atenuación de Características e Interferencia de Fondo: Las lesiones de las clases de cola suelen ser pequeñas, de bajo contraste y están oscurecidas por fondos anatómicos complejos (por ejemplo, costillas, clavículas, siluetas cardíacas). La extracción de características estándar tiende a suprimir estas señales sutiles en favor de las características dominantes de las clases de cabeza o de las estructuras del fondo.
3. Modelado Ineficaz de Coocurrencia de Etiquetas: Los métodos existentes para modelar las dependencias de etiquetas están típicamente dominados por las clases frecuentes. En consecuencia, las relaciones aprendidas reflejan patrones de enfermedades comunes, fallando en proporcionar asociaciones informativas que podrían ayudar al reconocimiento de las clases de cola poco frecuentes.

Metodología: TRCGL-Net

Para abordar estos desafíos, los autores proponen TRCGL-Net, un marco diseñado para la clasificación de CXR con distribución de cola larga. La arquitectura integra cuatro componentes clave y emplea una estrategia de entrenamiento de dos etapas (calentamiento del clasificador seguido de un ajuste fino completo).

1. Difusión Condicional Guiada por Texto Aprendible

Para mitigar la escasez de muestras de las clases de cola, el marco emplea un módulo generativo basado en modelos de difusión condicionales.

• Mecanismo: Los textos de las etiquetas de la enfermedad se codifican utilizando un codificador de texto CLIP. Crucialmente, los autores introducen vectores de contexto aprendibles (embeddings de prompts) concatenados con los embeddings de texto. Estos vectores se optimizan durante el entrenamiento para mejorar adaptativamente las condiciones textuales.
• Proceso: La secuencia de texto aumentada guía al modelo de difusión para sintetizar imágenes de CXR de alta calidad para las clases de cola. El proceso de generación utiliza un mecanismo de guía libre de clasificador (classifier-free guidance) para equilibrar la adherencia a la semántica de la enfermedad con la diversidad de la morfología y ubicación de la lesión.
• Objetivo: Generar muestras sintéticas que preserven la consistencia anatómica y la semántica específica de la patología, aumentando así el conjunto de entrenamiento para las categorías subrepresentadas.

2. Mecanismo de Atención de Clase-Canal

Para mejorar la discriminabilidad de las características bajo distribuciones de cola larga, el marco procesa las características extraídas por un backbone ConvNeXtV2 a través de dos mecanismos paralelos:

• Recalibración de Canales (Channel Reweighting): Un mecanismo que aplica el promedio global (global average pooling) y una transformación no lineal para generar pesos de atención de canal. Esto recalibra los canales de características, enfatizando aquellos relevantes para enfermedades específicas mientras preserva la información original mediante conexiones residuales.
• Atención Espacial Consciente de la Clase: Una rama que genera mapas de atención específicos de la clase. Esto permite al modelo localizar regiones relevantes para la enfermedad y enfocarse en áreas de lesiones finas, reduizando la interferencia de estructuras anatómicas irrelevantes.
• Fusión: La predicción final a nivel de imagen combina características semánticas globales (del Global Average Pooling) y características locales específicas de la clase.

3. Modelado de Coocurrencia de Etiquetas (Convolución de Grafos)

Para explotar las dependencias interclase, el marco construye un grafo de coocurrencia de etiquetas.

• Construcción del Grafo: Se deriva una matriz de coocurrencia del conjunto de entrenamiento, la cual es normalizada para reducir el sesgo de las clases frecuentes, simetrizada y umbralizada para eliminar correlaciones espurias.
• Propagación: Una Red de Convolución de Grafos (GCN) propaga la información a través del grafo de etiquetas. Las categorías de enfermedades son tratadas como nodos con embeddings aprendibles. A través de dos capas de convolución de grafos, los prototipos de clase se actualizan para incorporar las relaciones de coocurrencia.
• Integración: La salida de la GCN proporciona predicciones basadas en el grafo de etiquetas, las cuales se fusionan con las predicciones basadas en la imagen mediante agregación residual. Esto permite que las clases de cola aprovechen pistas discriminativas de las clases de alta frecuencia que coocurren frecuentemente.

Contribuciones Clave

El artículo describe tres contribuciones primarias:

1. Estrategia Generativa: Un modelo de difusión condicional guiado por texto aprendible que impone restricciones semánticas de la enfermedad para sintetizar muestras de clases de cola, abordando la esces de datos manteniendo la consistencia patológica.
2. Mejora de Características: Un mecanismo dual que combina la recalibración de canales y la atención consciente de la clase para mejorar las características relevantes de la enfermedad y suprimir la interferencia del fondo, apuntando específicamente a la representación débil de las lesiones de la cola.
3. Modelado de Dependencias: Una red de convolución de grafos basada en la coocurrencia de etiquetas que permite la propagación de información discriminativa entre categorías correlacionadas, permitiendo que las clases de cola se beneficien de las relaciones con las clases frecuentes.

Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos PadChest, que contiene más de 160,000 imágenes anotadas con 174 hallazgos radiológicos. El conjunto de datos se dividió a nivel de paciente (80% entrenamiento, 20% validación).

• Rendimiento General: TRCGL-Net logró una precisión media promedio (mAP) de 0.4408, un área bajo la curva media (mAUC) de 0.8989 y una puntuación F1 macro de 0.4369. Estos resultados superan a los modelos base del estado del arte, incluyendo ResNet-50, EfficientNet, ViT, CLIP y métodos especializados de cola larga como ConvNeXt+LDAM y ConvNeXt+CSRA.
• Rendimiento de Clases de Cola: La mejora más significativa se observó en las clases de cola (categorías con <500 muestras). TRCGL-Net alcanzó un mAP de clase de cola de 0.4904 y un mAUC de clase de cola de 0.9229. Esto representa una mejora sustancial sobre el mejor modelo base (ConvNeXt), que obtuvo 0.1280 de mAP en clases de cola.
• Estudios de Ablación:
  • Eliminar el módulo de difusión causó una caída en el mAP de 0.4408 a 0.3671, resaltando la importancia de la aumentación de datos.
  • Eliminar el módulo de Atención de Clase-Canal redujo el rendimiento, confirmando la necesidad de la recalibración de características.
  • Eliminar el módulo de Modelado de Relación de Etiquetas también degradó el rendimiento, validando la utilidad de la propagación de la coocurrencia de etiquetas.
• Sensibilidad de Parámetros: El rendimiento óptimo se logró con un peso de muestra sintética de 0.5 y una fuerza de fusión de grafo de etiqueta de 0.05, indicando un equilibrio entre datos reales/sintéticos e información visual/de etiqueta.

Significancia y Limitaciones

Significancia:
El marco demuestra que integrar la aumentación de datos generativa con restricciones semánticas, mecanismos de atención a nivel de características y modelado de dependencia de etiquetas puede mitigar eficazmente el impacto del desequilibrio extremo de clases en la clasificación de radiografías de tórax. Mejora específicamente el reconocimiento de enfermedades raras, que a menudo son críticas en el diagnóstico clínico pero son ignoradas por los modelos estándar.

Limitaciones y Trabajo Futuro:
Los autores reconocen varias limitaciones:

• El modelo de difusión depende de los nombres de las enfermedades y los informes radiológicos; su capacidad semántica puede ser limitada para descripciones de múltiples lesiones complejas o subtipos finos.
• El grafo de coocurrencia de etiquetas es estático, basado en estadísticas del conjunto de entrenamiento, y puede no adaptarse bien a los cambios de distribución entre diferentes instituciones médicas.

El trabajo futuro pretende incorporar conocimiento médico estructurado (prioris anatómicos) en el proceso de difusión y desarrollar un modelado de relación de etiquetas dinámico y adaptativo a los datos para mejorar la generalización en entornos de dominio cruzado.