GRC-ProbNet: Uncertainty-aware Feature Extraction for Cardiovascular Disease Classification

Resumen Técnico: GRC-ProbNet – Extracción de Características con Conciencia de la Incertidumbre para la Clasificación de Enfermedades Cardiovasculares

Planteamiento del Problema
Las enfermedades cardiovasculares (ECV) siguen siendo una de las principales causas de mortalidad global, lo que requiere herramientas de diagnóstico eficientes. Si bien el aprendizaje profundo ha avanzado en la detección automatizada de ECV a partir de tomografías computarizadas (TC) cardíacas, los flujos de trabajo existentes suelen depender de máscaras de segmentación deterministas. Estos resultados deterministas no logran capturar la ambigüedad inherente y la variación entre evaluadores presentes en la anatomía cardíaca. En consecuencia, los flujos de trabajo estándar carecen de la capacidad de propagar una incertidumbre significativa hacia las tareas de clasificación posteriores, lo que limita su eficacia para representar la confianza de las interpretaciones anatómicas intermedias.

Metodología
Los autores proponen GRC-ProbNet, una extensión del flujo de trabajo híbrido GRC-Net existente. A diferencia de su predecesor, que depende de una única segmentación determinista, GRC-ProbNet integra un marco de conciencia de la incertidumbre en un flujo de trabajo modular de cuatro etapas:

1. Segmentación por Conjunto (Ensemble Segmentation): En lugar de un único modelo, el sistema emplea un conjunto profundo de cinco modelos Anatomix ajustados de forma independiente (que difieren solo en la semilla aleatoria) para generar múltiples máscaras de segmentación plausibles para una TC dada.
2. Registro y Construcción de Atlas: Estas múltiples máscaras se procesan a través de un Atlas Image-and-Spatial Transformer Network (Atlas-ISTN) congelado. Esta etapa registra las segmentaciones en un atlas saludable derivado de la población, generando campos de deformación y mapas de probabilidad deformados.
3. Cuantificación de la Incertidumbre: El sistema calcula mapas de incertidumbre a nivel de vóxel basados en el desacuerdo entre los miembros del conjunto. Descompone la incertidumbre predictiva en tres representaciones específicas:
   • Entropía Predictiva Total ($H$): Captura tanto la incertidumbre aleatoria (ruido de los datos) como la epistémica (conocimiento del modelo).
   • Incertidumbre Epistémica (Divergencia de Jensen-Shannon): Derivada de la divergencia de Kullback–Leibler (KL) entre las predicciones de las semillas individuales y la media de consenso, midiendo el desacuerdo del modelo.
   • Incertidumbre Aleatoria: Calculada restando el componente epistémico de la entropía total, aislando la ambigüedad inherente de los datos.
4. Extracción de Características y Clasificación: El flujo de trabajo extrae tres tipos de características para cada estructura cardíaca:
   • Características Radiómicas: 107 características por estructura (estadísticas de intensidad, descriptores de forma, textura) derivadas de las intensidades de la TC dentro de las máscaras de segmentación.
   • Características Geométricas: 3 características por estructura derivadas de los campos de deformación en relación con el atlas saludable.
   • Características de Incertidumbre: Los mapas de incertidumbre se agregan en características a nivel de imagen utilizando dos estrategias: Global (promediando a través de todos los vóxeles) o Por Estructura (promediando dentro de regiones anatómicas específicas).
     Estas características se concatenan y se introducen en un Perceptrón Multicapa (MLP) para la clasificación final de ECV.

Contribuciones Clave

• Introducción del Marco de Trabajo: El artículo presenta GRC-ProbNet, un flujo de trabajo híbrido que propaga representaciones explícitas de incertidumbre (entropía, divergencia KL y mapas aleatorios) a través de una etapa de extracción de características radiómicas y geométricas.
• Evaluación Sistemática: Los autores comparan sistemáticamente diferentes tipos de incertidumbre (total, epistémica, aleatoria) y estrategias de codificación (global vs. por estructura) contra una línea base determinista.
• Hallazgo Novedoso sobre la Utilidad de la Incertidumbre: El estudio demuestra que la métrica de incertidumbre más correlacionada con el error de segmentación no es necesariamente la que ofrece el mejor rendimiento de clasificación posterior.

Resultados
Los experimentos se realizaron en el conjunto de datos MM-WHS para la evaluación de segmentación/incertidumbre y en el conjunto de datos ASOCA para la clasificación posterior de ECV.

• Incertidumbre vs. Error de Segmentación: En el conjunto de datos MM-WHS, la Entropía Total mostró la correlación más fuerte con el error de segmentación (Correlación de Cruzada Normalizada de 0.521), seguida de cerca por la incertidumbre aleatoria. La Divergencia KL (Epistémica) mostró la correlación más débil (0.408).
• Rendimiento de Clasificación: En el conjunto de datos ASOCA, los modelos aumentados con incertidumbre generalmente superaron a la línea base determinista (GRC-Net, AUROC 91.25%).
  • Estrategia de Codificación: Los codificadores de incertidumbre por estructura superaron consistentemente a los codificadores escalares globales.
  • Mejor Rendimiento: La Divergencia KL con codificación por Estructura (K.S.) alcanzó el AUROC más alto de 92.92%, superando ligeramente a las variantes basadas en Entropía (E.S. en 92.71%).
• Perspectiva Clave: Mientras que la Entropía predijo mejor dónde estaba errónea la segmentación, la Divergencia KL proporcionó la señal más fuerte para la clasificación de la enfermedad. Los autores sugieren que la Entropía está dominada por la ambigüedad de los límites común tanto en casos sanos como enfermos, mientras que la divergencia KL captura el desacuerdo del modelo que puede ser más específico para anatomías patológicas situadas cerca de las fronteras de decisión.

Significancia y Reivindicaciones
El artículo afirma que GRC-ProbNet mejora sustancialmente el rendimiento de la clasificación de ECV (AUROC 92.92% vs. 91.25%) mediante el aprovechamiento de las características de incertidumbre. La principal significancia radica en el hallazgo de que cómo se codifica la incertidumbre es tan crítico como incluirla. Específicamente:

1. La codificación específica de la estructura preserva la información espacial necesaria que los resúmenes globales pierden.
2. Las métricas de incertidumbre sirven para diferentes propósitos: Una métrica que mejor refleja la calidad de la segmentación (localización del error) no es automáticamente la mejor para las tareas clínicas posteriores.
3. Diseño del Flujo de Trabajo: Este enfoque es particularmente relevante para los flujos de trabajo híbridos de imágenes médicas donde ocurre la extracción de características explícitas entre las etapas de aprendizaje profundo y las etapas no basadas en aprendizaje profundo, permitiendo la representación explícita de la incertidumbre antes de la clasificación final en lugar de absorberla en un modelo de extremo a extremo.

Los autores concluyen que el trabajo futuro debería involucrar cohortes más grandes, la integración de múltiples expertos para modelar la variabilidad entre observadores y una mayor investigación sobre la propagación de la incertidumbre a través de la etapa de registro.