When Measurement Conventions Masquerade as Calibration Gains in Cardiac Digital Twins

Resumen Técnico: Cuando las convenciones de medición se disfrazan de ganancias de calibración en los gemelos digitales cardíacos

Planteamiento del problema
Los gemelos digitales cardíacos dependen de un "operador de observación" ($H_{op}$) para mapear imágenes clínicas (específicamente ecocardiogramas) en mediciones fisiológicas como la fracción de eyección (FE) del ventrículo izquierdo. Si bien las arquitecturas recientes de aprendizaje profundo han avanzado en la precisión de la segmentación (medida a menudo mediante puntuaciones Dice), los errores sistemáticos en $H_{op}$ pueden sesgar las actualizaciones de estado posteriores, independientemente de la calidad del modelo subyacente.

El núcleo del problema identificado es que los estudios de calibración suelen asumir una convención de referencia fija, lo que conduce a "ganancias fantasma". Específicamente, los modelos evaluados contra etiquetas clínicas de FE pueden parecer que mejoran la calibración simplemente porque se alinean inadvertidamente con un desajuste de la convención de medición (por ejemplo, plano único frente a biplano) en lugar de reducir genuinamente el error de segmentación. Los autores argumentan que, sin desentrañar las convenciones de medición del rendimiento del modelo, los procesos de los gemelos digitales corren el riesgo de incorporar sesgos estructurados que distorsionan la estimación del estado fisiológico.

Metodología
Los autores realizaron una auditoría de los operadores de observación de la FE utilizando cuatro arquitecturas frontales que comparten una arquitectura base U-Net, aplicadas a dos conjuntos de datos principales: CAMUS y EchoNet-Dynamic.

1. Modelos evaluados:
   • B1: Segmentación por cuadro (frame-wise).
   • B2: Segmentación suavizada con cuadros adyacentes.
   • P1: Combina FiLM (Feature-wise Linear Modulation) con una cabeza de fase.
   • P2: Añade consistencia cíclica entre pacientes y promediado EMA tipo Mean-Teacher.
2. Operador de observación: Se utilizó un método de aproximación de método de discos de plano único para extraer volúmenes y FE de clips de cuatro cámaras apicales para todos los modelos.
3. Métricas de evaluación:
   • $EF_{MAE_{gt}}$: Error contra máscaras de verdad de campo (ground-truth) procesadas por el mismo extractor (aislando el error de segmentación).
   • $EF_{MAE_{clin}}$: Error contra etiquetas clínicas de FE (incluyendo el desajuste de convención).
   • Análisis de sesgo: Cuantificación de la brecha entre los resultados del extractor de plano único y las referencias clínicas de biplano.
4. Conjuntos de datos:
   • CAMUS: Evaluado en un subconjunto reservado ($n=50$). La FE clínica es biplano (vistas de 4 y 2 cámaras), mientras que el extractor utiliza solo la vista de 4 cámaras, creando un desajuste de plano conocido.
   • EchoNet-Dynamic: Evaluado en el conjunto de prueba oficial ($n=1,287$). Las etiquetas y el extractor son ambos de plano único (4 cámaras), sirviendo como una replicación alineada de plano para probar si las "ganancias" persisten cuando se elimina el desajuste dominante.

Contribuciones clave

1. Auditoría del operador de observación de la FE: Un marco para distinguir entre las mejoras genuinas del modelo y los artefactos causados por desajustes entre la convención de medición y la de referencia.
2. Evidencia de confusión por convención: Demostración de que las aparentes ganancias de calibración de los modelos condicionados por fase (P1/P2) en CAMUS se explican en gran medida por la brecha entre las mediciones de FE de plano único y biplano, no por una mejora en la segmentación.
3. Replicación negativa: Una replicación alineada de plano en EchoNet-Dynamic que muestra que la "ventaja de la condición de fase" desaparece cuando se elimina el desajuste de plano y, en algunos casos, se revierte.
4. Protocolo de Auditoría de la FE Consciente de la Convención (CAEA): Un protocolo de cinco pasos para evitar que los modelos reciban crédito por ganancias de calibración causadas por el par medición-referencia.

Resultos

• Hallazgos de CAMUS: Los modelos condicionados por fase (P1/P2) parecían reducir el sesgo hacia cero en comparación con la FE clínica de biplano, sugiriendo una ganancia de calibración. Sin embargo, al evaluarlos contra las máscaras de verdad de campo procesadas por el mismo extractor de plano único ($MAE_{gt}$), el error fue estadísticamente indistinguible entre todos los modelos. De hecho, P1 mostró el mayor $MAE_{gt}$ y el sesgo más negativo.
• La brecha de convención: El estudio cuantificó la brecha "plano único–biplano". La FE de plano único excedió la FE clínica de biplano en +6.30 puntos. Este desfase explicó casi todo el sesgo basal observado en el modelo B1. Una vez restado este componente de convención, el sesgo de segmentación residual fue estadísticamente indistinguible de cero.
• Hallazgos de EchoNet-Dynamic: En el entorno alineado de plano, los resultados de CAMUS no se replicaron. Los modelos base (B1/B2) mostraron un sesgo negativo, y los modelos condicionados por fase (P1/P2) no mejoraron el sesgo respecto a los modelos base. Además, P1 y P2 produjeron estimaciones de FE inválidas (donde $\hat{ESV} \ge \hat{EDV}$) en 10–20 casos, un riesgo de despliegue no presente en B2.
• Implicaciones para el flujo de trabajo (downstream):
  • Hemodinámica: Bajo las condiciones de CAMUS, el sesgo de la FE se propagó a errores significativos en el volumen sistólico (SV) y el gasto cardíaco (CO) (hasta un ~16-18% de error). Bajo las condiciones de alineación de plano de EchoNet, estos errores cayeron a ~3–4%.
  • Asignación de estratos: El desajuste de convención causó desacuerdos frecuentes en la asignación de estratos de FE (por ejemplo, clasificar a un paciente como HFrEF o HFpEF), con tasas de alrededor del 44–54% para los modelos probados.
  • Predicción Conforme: Los residuos de ancho fueron significativamente mayores bajo la evaluación confundida por la convención (CAMUS) en comparación con la evaluación alineada de plano (EchoNet), lo que indica que los residuos de calibración contienen un desajuste de referencia estructurado, no solo ruido de segmentación.

Significancia y afirmaciones
El artículo afirma que la supuesta superioridad de los modelos condicionados por fase en la literatura previa puede ser un artefacto de las convenciones de medición y no un progreso algorítmico genuino. Los autores sostienen que:

• Las ganancias genuinas deben sobrevivir a la alineación de planos: Solo se debe acreditar a un modelo por mejoras de calibración si la ganancia persiste tras alinear el plano de medición y auditar las diferencias residuales en la selección de fotogramas, contornos y preprocesamiento.
• El índice Dice es insuficiente: Una alta superposición geométrica (Dice) no garantiza mediciones fisiológicas calibradas; pequeños desplazos en el contorno en la diástole final (ED) y la sístole final (ES) pueden amplificarse por la relación de la FE.
• Necesidad del protocolo: El propuesto Protocolo de Auditoría de la FE Consciente de la Convención (CAEA) es esencial para separar la calibración del operador de observación de los artefactos de medición. Este exige verificar la consistencia de la semilla, caracterizar los desfases de convención y replicar bajo referencias alineadas antes de reclamar mejoras de calibración.

Los autores concluyen que, entre los front-ends evaluados, B2 (suavizado de fotogramas adyacentes) es la opción más desplegable, ya que soporta la inferencia en streaming, no produce estimaciones de FE inválidas y logra el mejor rendimiento en entornos alineados de plano. El estudio enfatiza que la calibración debe evaluarse para el par completo "modelo–extractor–referencia", no solo para la arquitectura del modelo.