Resumen Técnico: Ajuste de Parámetros Eficiente mediante Prompt Tuning de un Modelo de Visión Fundacional con Pérdida Focal Adaptativa para el Cribado Interpretable de MCI

1. Planteamiento del Problema

El Deterioro Cognitivo Leve (MCI, por sus siglas en inglés) representa una etapa crítica de declive cognitivo que precede a la enfermedad de Alzheimer. La detección automatizada a partir de pruebas de dibujo neuropsicológicas (específicamente la Prueba de Dibujo del Reloj, la Copia del Cubo y la Prueba de Trazo) enfrenta tres restricciones fundamentales:

1. Escasez e Desequilibrio de Datos: Los conjuntos de datos suelen ser pequeños con distribuciones de clase sesgadas (por ejemplo, una relación de 2.4:1 entre controles sanos y pacientes con MCI).
2. Ambigüedad Diagnóstica: Los límites clínicos son inciertos, con las puntuaciones de MoCA agrupándose densamente alrededor del punto de corte de 25, lo que hace que la clasificación binaria estricta sea subóptima.
3. Limitaciones de los Métodos Existentes: Los enfoques actuales de vanguardia dependen de arquitecturas híbridas (por ejemplo, combinando ResNet y ViT) de ajuste completo computacionalmente costosas que carecen de eficiencia de parámetros. Además, la interpretabilidad en estos modelos es típicamente una aproximación post-hoc (por ejemplo, atención de despliegue o Grad-CAM) en lugar de una propiedad arquitectónica intrínseca.

2. Metodología

Los autores proponen un marco de trabajo eficiente en parámetros que adapta un modelo fundacional de visión DINOv2-Small congelado mediante Prompt Tuning y una novedosa Pérdida Focal adaptada a MoCA.

2.1 Arquitectura: Ajuste de Prompt Eficiente en Parámetros

En lugar de realizar el ajuste fino de todo el backbone, el modelo mantiene congelados los pesos de DINOv2-Small. La adaptación se logra mediante:

• Tokens de Modalidad Específica de la Tarea: Se introducen tres distintos tokens de prompt aprendibles, uno para cada tarea de dibujo (reloj, cubo, trazo). Cada token se inicializa aleatoriamente y se optimiza de extremo a extremo.
• Agregación de Atención Cruzada: Cada token específico de la tarea actúa como una consulta (query) en una capa de atención cruzada compartida, atendiendo a los tokens de parches de la imagen correspondiente procesada por el backbone congelado. Esto produce incrustaciones (embeddings) condicionadas a la tarea ($e_k$) que resumen los parches espaciales más informativos para esa función cognitiva específica.
• Fusión de Atención de Consulta Aprendible: Las tres incrustaciones de las tareas se agregan mediante un vector de consulta aprendible que atiende sobre las incrustaciones. Esto produce un vector de paciente fusionado y un conjunto de pesos de importancia de la modalidad ($\alpha$), que indican qué prueba de dibujo influyó más en la decisión final.
• Interpretabilidad Intrínseca: Los pesos de atención cruzada de los tokens de prompt hacia los parches de la imagen sirven como mapas de saliencia espacial directa, lo que no requiere cálculos de retropropagación adicionales o aproximaciones post-hoc.

2.2 Función de Pérdida: Pérdida Focal Adaptada a MoCA

Para abordar la ambigüedad diagnóstica y el desequilibrio de clases, los autores introducen una función de pérdida unificada que generaliza los enfoques estándar de etiquetas suaves (soft-labels). Esta integra:

1. Ancla Suave (Soft Anchor): Convierte la puntuación continua de MoCA ($m_i$) en un objetivo suave ($s_i$) utilizando una función sigmoide centrada en el punto de corte clínico ($C=25.5$).
2. Modulador de Probabilidad de MoCA: Un modulador novedoso que repondera la pérdida basándose en la discrepancia entre la probabilidad predicha por el modelo ($p_i$) y la expectativa derivada de MoCA ($s_i$). Se ponderan al alza aquellas muestras donde la predicción diverge de la expectativa basada en la puntuación.
3. Ponderación Adaptativa por Muestra: Corrige las frecuencias desiguales de sujetos a través de los intervalos de puntuación de MoCA (ponderación adaptativa de contenedores de MoCA), asegurando que los casos raros y limítrofes no sean ignorados.

2.3 Estrategias de Entrenamiento

El marco emplea diversas estrategias dirigidas de aumentación y muestreo:

• Inversión de Imagen: Invertir las intensidades de los píxeles para alinear los dibujos de fondo blanco con las estadísticas de imágenes naturales de DINOv2 preentrenado.
• Muestreo de Lotes Balanceado por Clase: Garantizar una representación equitativa de las clases en cada lote.
• Mixup de Preservación de Tipo: Interpolar imágenes y etiquetas dentro del mismo tipo de dibujo para mantener la coherencia clínica.
• Intercambio de Dibujo de Vecino de MoCA: Reemplazar uno o dos dibujos en un triplete con aquellos de un sujeto con una puntuación de MoCA similar para aumentar la diversidad estructural.

3. Contribuciones Clave

1. Clasificación Interpretable y Eficiente en Parámetros: El marco utiliza un modelo fundacional congelado con solo 1.19 millones de parámetros entrenables (menos del 6% del total). Produce mapas de saliencia espacial y pesos de importancia de la modalidad como subproductos directos del proceso de inferencia.
2. Pérdida Focal Consciente de MoCA: Una formulación de pérdida unificada que generaliza estrictamente los métodos previos de etiquetas suaves al incorporar puntuaciones cognitivas continuas en el objetivo de entrenamiento, la modulación de la pérdida y la ponderación adaptativa.
3. Aumentación Dirigida: Estrategias diseñamente para abordar la brecha de dominio fotométrico (inversión de imagen) y la diversidad limitada de los conjuntos de datos neuropsicológicos (intercambio de dibujo, Mixup de preservación de tipo).

4. Resultados Experimentales

El modelo fue evaluado en un conjunto de datos de 918 sujetos (651 sanos, 267 con MCI) mediante validación cruzada de cinco pliegues estratificados.

• Rendimiento: La arquitectura propuesta alcanzó una puntuación F1 de la clase MCI de 0.641 ± 0.026 y un AUC de 0.795 ± 0.024.
• Comparación: Superó al modelo base ResViT (un modelo híbrido ResNet50/ViT) por 0.110 en la F1 de la clase MCI, a pesar de utilizar significativamente menos parámetros entrenables.
• Estudios de Ablación:
  • La eliminación del modulador de probabilidad de MoCA causó la mayor caída de rendimiento (la F1MCI disminuyó en 0.017), confirmando su papel crítico en el manejo de la ambigüedad de los límites.
  • Se encontró que los tokens de prompt específicos de la tarea eran superiores a los tokens compartidos o a los enfoques basados solo en CLS para la sensibilidad de MCI, ya que permiten al modelo especializarse en déficits específicos de la tarea en lugar de promediarlos.
  • El ajuste de prompt (prompt tuning) superó a las estrategias LoRA y Top Tuning, logiendo el mejor recall de MCI con la menor cantidad de parámetros adicionales.

5. Significado y Reivindicaciones

El artículo sostiene que la complejidad arquitectónica (apilar múltiples redes grandes) es innecesaria para esta tarea. En su lugar, un modelo de visión fundacional auto-supervisado, cuando se adapta mediante un ajuste de prompt ligero y específico para la tarea, proporciona una base superior.

Las principales afirmaciones respecto a su significancia incluyen:

• Eficiencia: El método logra un rendimiento de vanguardia con una fracción de los parámetros entrenables requeridos por el ajuste fino completo o las arquitecturas híbridas.
• Interpretabilidad Intrínseca: A diferencia de trabajos previos que dependen de aproximaciones post-hoc, este marco proporciona mapas de saliencia espacial y puntuaciones de importancia de la modalidad como consecuencias estructurales inherentes de la arquitectura.
• Manejo de la Ambigüedad: La pérdida focal adaptada a MoCA aborda eficazmente la incertidumbre inherente cerca de los límites clínicos al aprovechar las puntuaciones cognitivas continuas en lugar de etiquetas binarias rígidas.
• Relevancia Clínica: La capacidad de identificar qué modalidad de dibujo específica (reloj, cubo o trazo) impulsó una predicción ofrece un nivel de interpretabilidad potencialmente útil para el apoyo a la decisión clínica, aunque los autores señalan que esto requiere validación futura contra el juicio experto.

Los autores mantienen una postura modesta, reconociendo limitaciones como el uso de un único conjunto de datos de una sola institución, la exclusión de datos cinemáticos temporales (velocidad/presión del lápiz) y la necesidad de validación externa de los pesos de la modalidad frente a expertos clínicos.