Resumen Técnico: HexMIL

Planteamiento del Problema

La integración de modelos generativos profundos (p. ej., GANs, Modelos de Difusión) en la imagenología médica ha introducido la amenaza de los "deepfakes médicos": exploraciones de TC volumétricas manipuladas para inyectar o eliminar patologías (como nódulos pulmonares). Estas manipulaciones suponen un riesgo crítico para los flujos de trabajo clínicos, pudiendo derivar en diagnósticos incorrectos. Los métodos de detección existentes enfrentan dos limitaciones principales:

1. Generalización Deficiente: Los detectores suelen fallar al identificar manipulaciones generadas por arquitecturas no vistas (generalización fuera de dominio).
2. Falta de Interpretabilidad: La mayoría de los detectores operan como cajas negras, careciendo de explicabilidad nativa. Los métodos post-hoc (p. ej., Grad-CAM) proporcionan aproximaciones que pueden no representar fielmente la lógica de decisión del modelo, lo cual es insuficiente para aplicaciones médicas de alto riesgo.

Además, los enfoques existentes suelen requerir supervisión espacial a nivel de píxel (máscaras de segmentación) para el entrenamiento, lo cual es prohibitivamente costoso de anotar para volúmenes 3D.

Metodología: HexMIL

Los autores proponen HexMIL (Aprendizaje de Instancias Múltiples Jerárquico y Explicable), un marco libre de máscaras que aborda la detección y localización utilizando únicamente supervisión binaria a nivel de volumen (prístino vs. manipulado). El método emplea una arquitectura jerárquica de dos etapas basada en el Aprendizaje de Instancias Múltiples (MIL) basado en atención.

1. Descomposición Jerárquica

HexMIL descompone un volumen de TC 3D ($K$ cortes) en una jerarquía de dos niveles:

• Nivel 1 (Parche): Cada corte axial se divide en parches de imagen superpuestos.
• Nivel 2 (Corte): El volumen se trata como una bolsa de estos cortes.

2. Proceso de Entrenamiento de Dos Etapas

El marco se entrena secuencialmente para desacoplar el aprendizaje de características de la agregación de evidencia:

• Etapa 1: SliceMIL (Agregación de Parches)

  • Un codificador de cortes 2D procesa cortes individuales.
  • Cada corte se descompone en $N$ parches.
  • Un módulo de Atención de Puerta de Parche (Patch Gated Attention) agrega las características de los parches en una representación única de corte. Este módulo aprende a ponderar los parches según su relevancia forense sin supervisión espacial.
  • Los parámetros del codificador y de la atención se congelan tras esta etapa.

• Etapa 2: HexMIL (Agregación de Volumen)

  • El SliceMIL congelado codifica cada corte de un volumen en un vector de características.
  • Se añade una Codificación Posicional Sinusoidal para preservar el orden espacial de los cortes.
  • Un módulo de Atención de Puerta de Volumen agrega las representaciones de los cortes en un único vector de características a nivel de volumen.
  • Una cabeza de clasificación predice la etiqueta binaria (manipulado o prístino).
  • Solo los parámetros a nivel de volumen se optimizan en esta etapa.

3. Explicabilidad 3D Intrínseca (Ante-Hoc)

A diferencia de los métodos post-hoc, los pesos de atención de HexMIL son la función de agregación exacta utilizada para la clasificación, proporcionando explicaciones estructuralmente fieles.

• Volumen de Atención 3D: El modelo combina los pesos de atención intra-corte ($\alpha$) y los pesos de atención inter-corte ($\beta$) para generar un volumen de atención 3D de resolución completa.
• Localización: Mediante el umbral de este volumen de atención, el modelo extrae una caja delimitadora (bounding box) 3D ajustada alrededor de la subregión manipulada, localizando eficazmente el deepfake sin haber visto nunca una máscara de segmentación durante el entrenamiento.
• Estrategia de Inferencia: Para volúmenes con un número variable de cortes ($K'$), la entrada se divide en subvolúmenes no superpuestos de tamaño $K$. La predicción final es la probabilidad máxima entre todos los subvolúmenes.

Principales Contribuciones

1. Marco Unificado Robusto e Interpretable: HexMIL es el primer detector de deepfakes médicos que aborda conjuntamente la generalización fuera de dominio ante arquitecturas generativas no vistas, proporcionando interpretabilidad nativa.
2. Entrenamiento Jerárquico Libre de Máscaras: El método no requiere supervisión a nivel de píxel, basándose únicamente en etiquetas binarias de volumen, y aun así recupera con éxito la localización espacial como un subproducto del mecanismo de clasificación.
3. Explicabilidad 3D Nativa: Introduce la primera aplicación de MIL basado en atención para la detección de deepfakes médicos 3D, donde los pesos de atención constituyen la computación directa (ante-hoc) en lugar de una aproximación añadida a posteriori.
4. Rendimiento de Vanguardia (SOTA): El marco logra un rendimiento superior tanto en detección como en localización en comparación con las líneas base existentes, incluyendo detectores forenses 2D, CNNs 3D y Transformers de video.

Resultados Experimentales

Los autores evaluaron HexMIL en los conjuntos de datos M3DSynth y CT-GAN bajo un riguroso protocolo de generalización de generador cruzado (entrenamiento en un generador, prueba en otros).

• Clasificación Fuera de Dominio: HexMIL logró un AUC promedio de 92.0% y un F1 de 90.2%, superando a la línea base más fuerte (D3) por +9.1 AUC y +9.4 F1.
• Localización Fuera de Dominio: HexMIL logró el mejor Intersección sobre Unión (IoU) promedio (42.4%) y puntuación del Juego de Apuntar (Pointing Game) (70.6%), superando significativamente a líneas base como MVSS-Net y ManTraNet.
• Estudios de Ablación:
  • Se identificó la estructura jerárquica de dos etapas como el componente más crítico.
  • Se demostró que la Atención de Puerta (Gated Attention) es esencial; reemplazarla con la autoatención estándar resultó en un colapso catastrófico en el rendimiento de localización (el IoU cayó de 42.4% a 1.6%) debido a la pérdida de correspondencia espacial.
  • La Codificación Posicional Sinoidal contribuyó con un +5.3 AUC adicional, resaltando la importancia del contexto anatómico.

Significado y Reivindicaciones

El artículo afirma que HexMIL representa un paso significativo en la forense de IA médica al resolver el compromiso entre "generalización e interpretabilidad". Al aprovechar el MIL jerárquico, el modelo aprende a identificar señales de manipulación dispersas dentro de grandes volúmenes 3D sin requerir anotaciones costosas a nivel de píxel. Los autores enfatizan que la naturaleza ante-hoc del mecanismo de atención proporciona un nivel de fidelidad estructural que los métodos post-hoc (como Grad-CAM) no pueden garantizar, haciendo que el sistema sea más fiable para el soporte de decisiones clínicas. El trabajo demuestra que es posible lograr una detección robusta de arquitecturas generativas no vistas manteniendo una alta precisión espacial en la localización.