Resumen Técnico: Locus – Regularización de Atención Guiada por la Anatomía para la Clasificación de Imágenes Médicas

1. Planteamiento del Problema

Los modelos de clasificación de imágenes médicas se entrenan típicamente utilizando únicamente etiquetas a nivel de imagen, careciendo de una supervisión espacial explícita. En consecuencia, estos modelos suelen aprender a depender de correlaciones estadísticas con regiones anatómicamente irrelevantes, como artefactos de imagen, tejidos circundantes o claves contextuales específicas del conjunto de datos, en lugar de las estructuras anatómicas diagnósticamente relevantes. Este comportamiento limita la interpretabilidad y la generalizabilidad del modelo.

Aunque enfoques anteriores han intentado abordar esto incorporando información de la forma anatómica (por ejemplo, máscaras de segmentación), enfrentan limitaciones significativas:

• Anotación Manual: Depender de máscaras delineadas por expertos es costoso y difícil de escalar.
• Entrenamiento Conjunto: Entrenar una rama de segmentación junto con un clasificador introduce desafíos de optimización, tales como gradientes competitivos y predicciones ruidosas que pueden corromper la guía.
• Pseudo-máscaras basadas en CAM: Aunque evitan los costos de anotación, estos métodos suelen activar solo las regiones discriminativas correlacionadas con la etiqueta, en lugar de la estructura anatómica relevante completa.
• Modelos de Segmentación Dedicados: Entrenar un nuevo modelo de segmentación desde cero reintroduce la carga de anotación y la sobrecarga computacional.

2. Metodología: El Marco de Trabajo Locus

Los autores proponen Locus, un marco que aprovecha los Modelos Fundacionales de Segmentación (SFM) preentrenados (por ejemplo, Medical SAM, BiomedParse) para guiar la atención del clasificador sin requerir un entrenamiento de segmentación dedicado ni anotaciones manuales.

2.1 Regularización de Atención Centrada en la Anatomía

En lugar de imponer un alineamiento rígido píxel a píxel entre el mapa de atención del clasificador y la máscara anatómica (lo cual puede ser excesivamente restrictivo), Locus introduce un término de regularización basado en una función de bisagra (hinge-based) ($R$).

• Mecanismo: El marco calcula el promedio ponderado de la energía de atención dentro del primer plano anatómico ($A_{fg}$) y el fondo ($A_{bg}$) derivados de la máscara del SFM.
• Función de Pérdida: El regularizador se define como $R(M, A) = \max(0, A_{bg} - A_{fg})$.
• Lógica: Este término penaliza al clasificador solo cuando la atención del fondo domina la atención del primer plano. Si la atención del primer plano ya es suficiente ($A_{fg} \geq A_{bg}$), el regularizador permanece inactivo. Este enfoque evita la supresión excesiva de información contextual potencialmente relevante para el diagnóstico, asegurando al mismo tiempo que el modelo no dependa primordialmente del ruido del fondo.

2.2 Prompting Anatómico por Parches

El prompting estándar de los SFM en imágenes completas suele fallar al capturar todas las estructuras anatómicas relevantes, particularmente cuando son pequeñas o disjuntas (por ejemplo, lesiones dispersas u órganos bilaterales), devolviendo a menudo solo la región más dominante.

• Estrategia: Locus particiona la imagen de entrada en una cuadrícula de parches no superpuestos. Cada parche es inducido (prompted) de forma independiente con el mismo descriptor de texto derivado de la clase (por ejemplo, "pulmón", "tumor").
• Agregación: Las máscaras resultantes a nivel de parche se agregan mediante la unión para formar una máscara anatómica de resolución completa ($M$).
• Objetivo: Esta estrategia maximiza la cobertura anatómica para asegurar que todas las regiones relevantes contribuyan a la supervisión de la atención, incluso si la máscara resultante es tosca. Los autores enfatizan que no se requiere una segmentación precisa a nivel de píxel; el objetivo es un anclaje anatómico suficiente para guiar la atención.

2.3 Pérdida de la Red

La pérdida total de la red combina la pérdida de la tarea estándar (entropía cruzada) con el regularizador centrado en la anatomía:
$$L_{net} = L_{task} + \lambda \cdot R(M, A)$$

• Estrategia de Entrenamiento: Se emplea una estrategia de calentamiento (warm-up) donde la red se entrena solo con $L_{task}$ durante unos pocos épocas antes de que la fuerza de la regularización ($\lambda$) se incremente gradualmente.
• Flexibilidad: El marco es agnóstico al método específico de extracción de atención (por ejemplo, Grad-CAM, Grad-CAM++, Vanilla CAM) y a la elección del SFM.

3. Contribuciones Clave

1. Nuevo Marco de Regularización: Propone un regularizador de atención centrado en la anatomía que equilibra adaptativamente la atención entre el primer plano y el fondo, penalizando al clasificador solo cuando la atención del fondo domina, eliminando así la necesidad de un entrenamiento de segmentación dedicado.
2. Adaptabilidad Plug-and-Play: El marco es fácilmente adaptable a diversas arquitecturas de clasificadores (CNN y Transformers) y SFM sin modificar la arquitectura del clasificador ni realizar el ajuste fino (fine-tuning) del modelo fundacional.
3. Validación Exhaustiva: Validado en ocho conjuntos de datos diversos de imágenes médicas (dermoscopia, rayos X, histopatología, ultrasonido y RM cardíaca), demostrando mejoras consistentes en el rendimiento y la interpretabilidad.

4. Resultados Experimentales

Los autores evaluaron Locus frente a tres líneas base: la entropía cruzada (CE) estándar, la entrada enmascarada (usando máscaras de SFM para descartar el fondo) y MGA (alineación de atención basada en Dice que requiere anotaciones de expertos).

• Desempeño de Clasificación: Locus alcanzó la mayor precisión y puntuaciones F1 en casi todos los escenarios a través de seis conjuntos de datos de referencia (HAM10000, PneumoniaMNIST, BTXRD, PanNuke, ChestX-ray8, BUSI) y un conjunto de datos de cine RM cardíaca. Superó consistentemente al entrenamiento sin restricciones y a las líneas base de entrada enmascarada.
• Calidad de la Atención: Las visualizaciones (Grad-CAM) mostraron que Locus produjo mapas de atención más enfocados y anatómicamente coherentes. Notablemente, para arquitecturas propensas al dominio del fondo (por ejemplo, ConvNeXt, ViT), Locus agudizó significativamente la atención hacia las estructuras relevantes (por ejemplo, campos pulmonares, lesiones) en comparación con el entrenamiento CE estándar.
• Robustez: Bajo perturbaciones en el tiempo de prueba (brillo, contraste, desenfoque gaussiano, ruido), los modelos entrenados con Locus mantuvieron una precisión más alta que las líneas base de solo CE, lo que sugiere que la regularización desalienta la dependencia de características espurias sensibles a la distorsión.
• Generalizabilidad: Los beneficios del regularizador fueron consistentes a través de diferentes métodos de extracción de atención (Grad-CAM, Grad-CAM++, Vanilla CAM, Norma de Gradiente) y diferentes arquitecturas de red (ResNet, ConvNeXt, ViT).

5. Significado y Reivindicaciones

El artículo afirma que Locus ofrece una solución práctica a la naturaleza de "caja negra" de los clasificadores de imágenes médicas, orientándolos hacia estructuras anatómicas diagnósticamente relevantes sin el costo prohibitivo de la anotación manual o la complejidad del entrenamiento conjunto de segmentación-clasificación.

Al aprovechar las capacidades de localización "fuera de la caja" de los modelos fundacionales y emplear un regularizador de bisagra flexible, el marco logra:

• Mejor Interpretabilidad: Los modelos se enfocan en las regiones anatómicas correctas (por ejemplo, el miocardio en la RM cardíaca) en lugar de en artefactos o el fondo.
• Mayor Generalizabilidad: Mejor desempeño a través de diversas modalidades y robustez contra perturbaciones de imagen.
• Eficiencia: Evita la sobrecarga computacional de entrenar un modelo de segmentación dedicado mientras proporciona una guía anatómica confiable.

Los autores concluyen que este enfoque representa un paso significativo hacia la creación de una IA médica más confiable y clínicamente interpretable, particularmente en escenarios donde no hay anotaciones a nivel de píxel disponibles. Se sugiere como trabajo futuro explorar la ponderación consciente de la incertidumbre y el aprendizaje de extremo a extremo de las configuraciones de parches.