Resumen Técnico: OrganLens

Declaración del Problema

Los exámenes de Tomografía Computarizada (TC) capturan múltiples sistemas de órganos dentro de un solo volumen, sin embargo, muchas investigaciones biomédicas —que van desde la detección de anomalías hasta la predicación pronóstica y el monitoreo longitudinal— se centran en órganos específicos. Los modelos fundacionales de TC existentes típicamente generan una única representación a nivel de volumen. Este enfoque diluye la evidencia específica del órgano porque debe integrar características de órganos de diversos tamaños, apariencias y relevancia clínica, lo que a menudo oscurece la señal requerida para tareas específicas.

Los enfoques actuales conscientes de la anatomía intentan abordar esto mediante tres métodos primarios, cada uno con limitaciones:

1. Entradas pre-segmentadas: Codificar volúmenes de órganos aislados elimina el contexto circundante clínicamente relevante necesario para detectar anomalías.
2. Desentrelazamiento de tokens: Separar las imágenes en grupos de tokens por órgano sin un condicionamiento explícito sobre un órgano seleccionado puede retener características irrelevantes y fallar en concentrar la señal.
3. Supervisión derivada de texto: La localización de la anatomía mediante el alineamiento de región-reporte a menudo carece de la precisión espacial para distinguir órganos adyacentes.

Además, entrenar codificadores separados para cada órgano es computacionalmente ineficiente y evita el uso compartido de representaciones. El desafío central es desarrollar un codificador compartido que pueda adaptar su representación a un órgano seleccionado, preservar el contexto anatómico circundante y producir representaciones ponderadas por la anatomía sin requerir máscaras de segmentación manual en la inferencia.

Metodología

Los autores presentan OrganLens, un marco para el aprendizaje de representaciones específicas de órganos basado en un codificador DINOv2 preentrenado en TC. El modelo produce 11 representaciones distintas de órganos (corazón, pulmón, aorta, hígado, bazo, riñones, páncreas, estómago, intestino, esófago y tráquea) a partir del mismo volumen de TC utilizando un único conjunto de parámetros.

El marco se basa en tres componentes clave durante el preentrenamiento autosupervisado:

1. Condicionamiento de Identidad del Órgano:
   Un embedding aprendido para una identidad de órgano específica se añade como un desplazamiento (offset) al token CLS del Vision Transformer (ViT). Esto condiciona al codificador compartido para adaptar sus características al órgano seleccionado sin alterar la arquitectura del backbone. La fuerza de este desplazamiento se aprende durante la optimización.

2. Destilación Guiada por el Órgano:
   Adaptando el marco estudiante-maestro de DINOv2, el modelo realiza autodestilación utilizando vistas construidas a partir del corte de TC y la máscara del órgano correspondiente.

   • Recorte (Cropping): Se muestrean recortes globales y locales de tal manera que retengan la anatomía de primer plano especificada por la identidad del órgano.
   • Entrenamiento: El estudiante procesa tanto los recortes globales como los locales, mientras que el maestro (actualizado mediante un promedio móvil exponencial) procesa solo los recortes globales. Esto asegura que ambas redes aprendan características relevantes para la identidad del órgano específico.

3. Supervisión de Máscara Anatómica:
   Para asegurar que las características de los parches localicen el órgano consultado, un decodificador auxiliar predice una máscara espacial para el órgano seleccionado a partir de las características de los parches del estudiante.

   • Pérdida (Loss): El decodificador se entrena utilizando una combinación de entropía cruzada binaria por píxel y una pérdida de Dice diferenciable contra las máscaras de verdad fundamental (derivadas de pseudo-etiquetas de TotalSegmentator durante el preentrenamiento).
   • Mecanismo de Inferencia: Crucialmente, en la inferencia, no se requiere la máscara de verdad fundamental. El decodificador entrenado predice una máscara espacial suave, que sirve como pesos para la agrupación (pooling) de las características de los parches.

Construcción de la Representación:
En la inferencia, para una identidad de órgano $o$ y un volumen de TC $V$:

1. El codificador produce características de parches y una característica CLS condicionada a $o$.
2. El decodificador de anatomía predice un mapa de probabilidad espacial para el órgano.
3. Las características de los parches dentro de cada corte se agrupan utilizando estos pesos suaves para crear una representación de corte.
4. Las representaciones de los cortes se agregan a través del volumen, ponderadas por el área del órgano predicha en cada corte, para formar la representación final específica del órgano $z(V, o)$.
5. También se define una representación global mediante la concatenación de las 11 representaciones de los órganos, permitiendo tareas de todo el volumen.

Contribuciones Clave

1. Marco OrganLens: Una arquitectura de codificador compartido que aprende características específicas de órganos mientras retiene el contexto anatómico circundante, produciendo 11 representaciones distintas de un solo escaneo de TC sin segmentación externa en la inferencia.
2. Estrategia de Autodestilación: Un novedoso flujo de entrenamiento que combina el condicionamiento de identidad de órgano, el recorte guiado por el órgano y la supervisión de máscara anatómica para dar forma a las características para el agrupamiento ponderado por la anatomía.
3. Demostración de Utilidad Clínica: Evidencia empírica de que las representaciones anatómicamente emparejadas proporcionan características más finas y relevantes para la tarea en aplicaciones de seguimiento de órganos, mientras que la agregación global retiene una utilidad amplia para tareas de todo el volumen.

Resultados Experimentales

Los autores evaluaron OrganLens en cuatro cohortes diversas: CT-RATE, RAD-ChestCT, INSPECT y el National Lung Screening Trial (NLST). La evaluación cubrió cuatro familias de tareas: detección de anomalías, predicción pronóstica, análisis longitudinal y recuperación de imagen-texto.

• Detección de Anomalías:

  • En CT-RATE (16 anomalías), la representación de OrganLens anatómicamente emparejada logró un macro-AUROC de 0.856, superando a DINOv2 preentrenado en CT (0.788), GigaHeart (0.792), Merlin (0.780) y SPECTRE (0.836).
  • Las ganancias específicas fueron notables: las representaciones del corazón mejoraron la detección de cardiomegalia de 0.910 a 0.953 AUROC comparado con DINOv2. Las representaciones del pulmón mejoraron la detección del patrón de atenuación en mosaico a 0.906.
  • En el conjunto de datos externo RAD-ChestCT, OrganLens logró un macro-AUROC de 0.767, superando significativamente a todas las líneas base (por ejemplo, 0.684 para DINOv2).

• Predicción Pronóstica:

  • En INSPECT y NLST, las representaciones anatómicamente emparejadas clasificaron consistentemente en los primeros lugares. Para 16 de 17 puntos finales, la representación del órgano emparejado superó a otras variantes de OrganLens.
  • En NLST, la representación del pulmón mejoró el índice C de Harrell para la mortalidad por cáncer de pulmón en un 14.2% en relación con DINOv2 preentrenado en CT (0.780 vs. 0.686).
  • Las curvas de Kaplan–Meier demostraron que los cuartiles de alto riesgo identificados por OrganLens mostraron consistentemente una menor supervivencia libre de eventos, validando la estratificación pronóstica.

• Análisis Longitudinal:

  • OrganLens logró el mejor desempeño general del índice C a través de las visitas de detección T0, T1 y T2 en NLST.
  • Los puntajes de log-rieso de Cox para los participantes que experimentaron eventos de mortalidad posteriormente aumentaron monótonamente de T0 a T2, demostando la capacidad del modelo para capturar la progresión del riesgo longitudinal.

• Recuperación de Imagen-Texto:

  • La representación global de OrganLens (concatenación de las 11 características de los órganos) logró el mejor desempeño tanto en la recuperación de texto a imagen como de imagen a texto en CT-RATE e INSPECT.
  • En INSPECT, OrganLens logró un Recall@10 de 33.09% para texto a imagen y 32.04% para imagen a texto, superando a todas las líneas base.

• Estudios de Ablación:

  • Eliminar la supervisión de la máscara anatómica o el recorte guiado por el órgano resultó en caídas significativas de rendimiento, confirmando que ambos componentes son esenciales para aprender señales localizadas y específicas de órganos.
  • El agrupamiento (pooling) ponderado por la anatomía (usando la máscara predicha) superó al agrupamiento uniforme de parches y al agrupamiento de la media del CLS.

Significancia y Reivindicaciones

El artículo afirma que OrganLens ofrece un enfoque escalable para el aprendizaje de representaciones de órganos específicas en TC. Al condicionar un codificador compartido con una identidad de órgano, resuelve el desajuste entre las representaciones a nivel de volumen y las preguntas biomédicas centradas en órganos.

Los autores aseguran que:

1. El Emparejamiento Anatómico es Crítico: Las señales predictivas para enfermedades específicas se concentran en los órganos anatómicamente emparejados en lugar de distribuirse uniformemente por todo el volumen.
2. Preservación del Contexto: A diferencia de los métodos que recortan el tejido circundante, OrganLens retiene un contexto anatómico útil, lo cual es vital para la detección de anomalías.
3. Eficiencia de Inferencia: El modelo produce representaciones específicas de órganos sin requerir máscaras de segmentación externas en la inferencia, confiando en su lugar en una máscara espacial predicha por el decodificador entrenado.
4. Utilidad Dual: El marco soporta tanto análisis granulares y específicos de órganos (mediante representaciones emparejadas) como tareas amplias de todo el volumen (mediante agregación global).

Los autores concluyen que OrganLens proporciona un marco reutilizable para que la comunidad de investigación médica estudie enfermedades específicas de órganos a través de cohortes y puntos finales clínicos, ofreciendo una base para futuras aplicaciones en la estratificación de riesgos y el monitoreo longitudinal. Señalan limitaciones, incluyendo la naturaleza retrospectiva de la evaluación, la dependencia de pseudo-etiquetas para el preentrenamiento y la necesidad de validación prospectiva antes de su despliegue clínico.