Resumen Técnico: ConRad: Predicción Conforme Eficiente para Radiómica

Planteamiento del Problema

Las características radiómicas derivadas de imágenes médicas y máscaras de segmentación son fundamentales para la toma de decisiones clínicas. Sin embargo, en la práctica, estas características suelen computarse a partir de máscaras de segmentación predichas generadas por modelos automatizados. Estos modelos de segmentación pueden ser excesivamente confiados o estar mal calibrados, lo que provoca que las mediciones radiómicas derivadas parezcan más fiables de lo que realmente son.

Si bien la Cuantificación de la Incertidumbre (UQ) es esencial en escenarios de alto riesgo, los enfoques estándar suelen tratar las mediciones radiómicas como salidas escalares arbitrarias, ignorando el proceso específico de su generación. Los métodos de Predicción Conforme (CP) existentes para segmentación suelen centrarse en la incertidumbre a nivel de píxel o en métricas basadas en el volumen. Estos no logran proporcionar intervalos eficientes y calibrados para objetivos radiómicos no volumétricos (por ejemplo, textura, forma, distribución de intensidad) porque no aprovechan la información de tiempo de prueba relativa a la apariencia de la imagen, la geometría de la máscara y la incertidumbre de la segmentación. En consecuencia, los métodos de UQ directa pueden perder ganancias significativas de eficiencia al no utilizar la información contenida en la máscara predicha.

Metodología: Marco de Trabajo ConRad

Los autores proponen ConRad, un marco conforme diseñado para construir intervalos de predicción adaptativos y eficientes para objetivos radiómicos escalares derivados de máscaras de segmentación predichas. El método utiliza la Regresión de Cuantiles Conformalizada (CQR) para aprender modelos de cuantiles condicionales que adaptan las anchuras de los intervalos basándose en la dificultad del caso.

Flujo de Trabajo

1. Definición de Entrada: Para un caso $i$, sea $A_i$ la imagen de entrada, $\hat{M}_i$ la máscara de segmentación predicha (disponible en la inferencia), y $M_i$ la máscara de referencia (utilizada solo para entrenamiento/calibración). Un extractor de radiómica $\rho$ mapea un par imagen-máscara a un objetivo escalar.
   • Objetivo predicho: $\hat{Y}_i = \rho(A_i, \hat{M}_i)$
   • Objetivo de referencia: $Y_i = \rho(A_i, M_i)$
2. Construcción de Características ($X_i$): ConRad construye un vector de características $X_i = (\hat{Y}_i, \hat{Z}_i)$ utilizando únicamente información de tiempo de prueba. $\hat{Z}_i$ comprende cuatro familias de covariables:
   • Geometría y Topología: Recuento de píxeles, fracción de imagen ocupada y número de componentes conectados en la máscara predicha.
   • Distribución de Intensidad: Estadísticas (media, desviación estándar, mínimo, máximo, percentiles) de la intensidad de la imagen dentro de la región predicha.
   • Radiómica Predicha: El propio valor radiómico predicho y otras características predichas de las familias de forma, intensidad de primer orden y textura.
   • Incertidumbre de Frontera: Estadísticas de probabilidad y entropía derivadas del mapa de probabilidad predicho, específicamente dentro de una banda de frontera (creada mediante la dilatación/erosión de la máscara por 1 píxel) y de forma global.
3. Entrenamiento y Calibración:
   • Entrenamiento: CQR entrena modelos de cuantiles condicionales inferior ($\hat{Q}_{\alpha/2}$) y superior ($\hat{Q}_{1-\alpha/2}$) en un conjunto de entrenamiento.
   • Calibración: En un conjunto de calibración disjunto, se computan las puntuaciones de no conformidad $R_i = \max\{\hat{Q}_{\alpha/2}(X_i) - Y_i, Y_i - \hat{Q}_{1-\alpha/2}(X_i)\}$. Se determina un cuantil conforme $\hat{q}$ como el estadístico de orden $\lceil(1-\alpha)(n+1)\rceil$ de estas puntuaciones.
   • Predicción: Para un nuevo caso de prueba, el intervalo es $S(X_{test}) = [\hat{Q}_{\alpha/2}(X_{test}) - \hat{q}, \hat{Q}_{1-\alpha/2}(X_{test}) + \hat{q}]$.
4. Garantía Teórica: Bajo el supuesto de intercambiabilidad entre los ejemplos de calibración y de prueba, ConRad garantiza la cobertura marginal de muestra finita: $\Pr\{Y_{test} \in S(X_{test})\} \geq 1 - \alpha$.

Filtrado de Objetivos

Para asegurar una evaluación significativa, los autores implementan un procedimiento de filtrado para eliminar objetivos radiómicos degenerados (por ejemplo, aquellos con valores faltantes, valores casi constantes o varianza cero) a través de tres familias: características de forma, de intensidad de primer orden y de textura/heterogeneidad.

Contribuciones Clave

1. Marco ConRad: La formulación de un marco de predicción conforme adaptativo a las características, diseñado específicamente para objetivos radiómicos escalares derivados de máscaras de segmentación predichas. Utiliza explícitamente la información de la salida de la segmentación (geometría, intensidad e incertidumbre de frontera) para mejorar la eficiencia de los intervalos.
2. Protocolo de Evaluación: La introducción de un protocolo de evaluación a nivel de objetivo y normalizado por escala. Dado que las características radiómicas varían en escala y unidades, los autores evalúan la eficiencia utilizando tasas de éxito (win rates) a nivel de objetivo y la mejora de la anchura relativa simétrica frente al mejor modelo de referencia (baseline), en lugar de agrupar las anchuras de los intervalos brutos.

Resultados Experimentales

El método fue evaluado en cinco conjuntos de datos de imágenes médicas 2D (HAM10000, Kvasir, COVID-QU-EX, TG3K, TN3K) que cubren dermatología, endoscopia, radiografías de tórax y ecografía de tiroides. Un total de 171 objetivos radiómicos fueron retenidos tras el filtrado.

Rendimiento

• Eficiencia: ConRad mejoró la eficiencia de los intervalos a nivel de característica en comparación con los modelos de referencia (Split Conformal Prediction, CQR usando solo valores predichos, y CQR usando características genéricas) manteniendo una cobertura empírica cercana a la nominal mientras se lograba mayor precisión.
  • Mejora Relativa Media: Se observaron ganancias positivas en la mayoría de los conjuntos de datos, que oscilan entre el 2.03% (TN3K) y el 5.83% (TG3K).
  • Tasas de Éxito (Win Rates): ConRad superó al modelo de referencia más fuerte en la mayoría de los casos, con tasas de éxito que van desde el 55.3% (Kvasir) hasta el 91.3% (COVID-QU-EX).
• Cobertura: La cobertura empírica se mantuvo cerca del nivel nominal del 90% ($1-\alpha$). La cobertura media mínima por objetivo fue del 89.9%, y 170 de los 171 objetivos alcanzaron al menos un 90% de cobertura media.
• Estudio de Ablación: Un análisis de ablación de características agrupadas reveló que las características de Incertidumbre de Frontera fueron las mayores contribuyentes a las ganancias de eficiencia, representando el 40.5% de la importancia de la ablación normalizada en promedio. Esto sugiere que la incertidumbre de la segmentación cerca de los bordes del objeto proporciona información complementaria más allá de los resúmenes genéricos de la imagen y la máscara.

Significado y Reivindicaciones

El artículo afirma que ConRad extiende la cuantificación de la incertidumbre de nivel de métrica más allá de las simples mediciones de volumen de segmentación hacia mediciones radiómicas más amplias. Al aprovechar la información de tiempo de prueba sobre la salida de la segmentación y su incertidumbre, ConRad construye intervalos de incertidancia más estrechos sin sacrificar las garantías formales de cobertura.

Los autores señalan que, si bien el método mejora la eficiencia, proporciona cobertura marginal sobre ejemplos de prueba intercambiables en lugar de cobertura condicional para subgrupos específicos. Reconocen limitaciones, incluyendo el enfoque en conjuntos de datos 2D (la radiómica 3D puede comportarse de manera diferente) y la dependencia de mapas de probabilidad útiles para la incertidumbre de frontera. El trabajo se posiciona como un paso hacia procesos de radiómica más fiables y conscientes de la incertidumbre en la práctica clínica.