TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift

Resumen Técnico: TRACE-seg3D

Planteamiento del Problema
Los modelos de segmentación de imágenes médicas suelen alcanzar un alto rendimiento en los puntos de referencia (por ejemplo, puntuaciones Dice), pero fallan silenciosamente cuando se despliegan en datos provenientes de diferentes escáneres, protocolos o instituciones. Estos "cambios de contexto" alteran la apariencia de la imagen sin cambiar la lesión subyacente, lo que provoca que los modelos exploten claves de ruido (nuisance cues) en lugar de evidencia real de la enfermedad. Las métricas de superposición convencionales (Dice, HD95) no logran distinguir entre predicciones fundamentadas en la lesión y aquellas impulsadas por un contexto espurio, ni revelan si las subregiones tumorales predichas (Tumor Completo, Núcleo Tumoral, Tumor Realzante) respetan las jerarquías anatómicas necesarias. Esta falta de transparencia dificulta la confianza en el despliegue clínico bajo cambios de distribución.

Metodología: TRACE-seg3D
Los autores proponen TRACE-seg3D, un marco de auditoría de contexto contrafáctico diseñado para producir segmentaciones de gliomas 3D robustas junto con evidencia a nivel de caso sobre estabilidad y plausibilidad anatómica. El marco opera a través de tres mecanismos alineados:

1. Factorización de Factores de Enfermedad/Contexto Anclada por Proxies (M1):
   El modelo emplea un codificador-decodificador 3D (estilo MedNeXt) que extrae características jerárquicas. Un cuello de botella de características se agrupa globalmente para generar dos vectores latentes: un latente de enfermedad ($z_d$) y un latente de contexto ($z_c$).

   • Separación: Se incentiva a $z_d$ para que codifique la evidencia de la lesión, mientras que $z_c$ codifica las variaciones de adquisición e institucionales.
   • Supervisión: Dado que las variables causales reales no son observables, el modelo utiliza "proxies débiles de anclaje". $z_d$ es supervisado por proxies de la enfermedad (por ejemplo, volumen de la lesión, carga tumoral), y $z_c$ por proxies de contexto (por ejemplo, metadatos del sitio, estadísticas de intensidad o pseudo-proxies derivados de la geometría de la imagen).
   • Regularización: Los objetivos adversarios y las restricciones de ortogonalidad evitan la filtración entre los dos factores, asegurando que $z_d$ no codifique el contexto y viceversa. Estos latentes modulan las características del decodificador mediante capas FiLM.

2. Transporte de Contexto Contrafáctico (CCT) (M2):
   Para auditar la estabilidad de la predicción, el marco realiza intervenciones latentes.

   • Proceso: Para un caso objetivo, el latente de enfermedad ($z_d$) se mantiene fijo, mientras que el latente de contexto ($z_c$) se reemplaza con muestras extraídas de un "banco de soporte" de latentes de contexto de otros casos de entrenamiento.
   • Salida: El modelo genera múltiples predicciones bajo estos contextos contrafácticos. Calcula una predicción de consenso ($p^{cct}$) y un mapa de inestabilidad por vóxel ($u^{cct}$), que cuantifica la varianza de las predicciones a través de los contextos transportados.
   • Puerta de Estabilidad (Stability Gating): Se produce una máscara de puerta de estabilidad ($p^{gate}$) mediante la supresión de regiones donde la inestabilidad excede un umbral, señalando las predicciones que son altamente sensibles a los cambios de contexto.

3. Prior Estructural Consciente de la Anatomía (M3):
   Reconociendo que el Tumor Realzante (ET) es pequeño y propenso a falsos positivos bajo cambios de dominio, el marco impone la jerarquía anatómica $ET \subseteq TC \subseteq WT$.

   • Mecanismo: Un operador estructural ($\Pi_{anat}$) elimina componentes aislados de ET que carecen de un soporte suficiente de las regiones del Núcleo Tumoral (TC) o del Tumor Completo (WT).
   • Auditoría: El sistema reporta el volumen de los componentes de ET eliminados y la preservación de las regiones TC/WT, proporcionando una medida de la plausibilidad anatómica.

Contribuciones Clave

• Perspectiva Causal: El artículo formaliza la segmentación de gliomas 3D bajo cambios de distribución separando la evidencia de la enfermedad, el contexto de la imagen y la segmentación anatómica, tratando a esta última como el objetivo de la auditabilidad.
• Marco de Auditoría: TRACE-seg3D es el primero en combinar la factorización anclada por proxies con el Transporte de Contexto Contrafáctico para producir no solo una máscara de segmentación, sino también evidencia explícita de la sensibilidad al contexto y la consistencia estructural.
• Restricciones Anatómicas: Integra un prior estructural que impone la jerarquía anidada del tumor, controlando específicamente los falsos positivos en la región críticamente clínica del Tumor Realzante (ET).

Resultados Experimentales
El marco fue evaluado en los conjuntos de datos BraTS 2020 y UTSW-Glioma, probando el rendimiento tanto en distribución (ID) como fuera de distribución (OOD).

• Rendimiento: TRACE-seg3D logró resultados de vanguardia (SOTA) tanto en entornos ID como OOD. Por ejemplo, en la transferencia BraTS $\to$ UTSW, alcanzó un Dice de 0.591 (frente al 0.567 del mejor baseline) y un HD95 de 4.558. En la transferencia UTSW $\to$ BraTS, alcanzó un Dice de 0.792.
• Ablación: Eliminar componentes (factorización, CCT o el prior estructural) degradó consistentemente el rendimiento OOD y la calidad de la auditoría, confirmando que las ganancias provienen del mecanismo integrado y no de un simple paso de post-procesamiento.
• Análisis de Estructuras Pequeñas: El marco mejoró significamente la precisión de ET y redujo los falsos positivos (hasta un 52.6% de reducción en entornos OOD) sin comprometer la segmentación de las regiones tumorales más grandes (WT/TC).
• Utilidad de la Auditoría: Los mapas de inestabilidad resaltaron con éxito las regiones donde las predicciones eran sensibles al contexto (por ejemplo, bordes o focos pequeños), proporcionando una explicación visual para los fallos potenciales que las métricas estándar no detectan.

Significado y Reivindicaciones
El artículo sostiene que TRACE-seg3D establece la auditoría de contexto contrafáctico como una ruta práctica hacia una segmentación de imágenes médicas 3D transparente y fiable. Al ir más allá de las simples métricas de superposición, el marco permite a los clínicos evaluar por qué una predicción podría ser poco fiable (por ejemplo, debido a la variación del escáner) y si las subregiones tumorales predichas son anatómicamente plausibles. Los autores enfatizan que este enfoque mejora la robustez bajo cambios institucionales sin sacrificar la precisión en la distribución original, ofreciendo un camino hacia una "IA confiable" donde la dependencia del modelo hacia las claves de ruido se mide y mitiga explícitamente. El trabajo es de alcance modesto, centrándose en cambios institucionales de RM y utilizando latentes guiados por proxies en lugar de pretender variables causales totalmente identificables.