VIDS-Seg: Towards Reliable Uncertainty Quantification in Pediatric Cardiac Ultrasound Segmentation

Resumen Técnico: VIDS-Seg para la Cuantificación Fiable de la Incertidumbre en Ecografía Cardíaca Pediátrica

Planteamiento del Problema
El despliegue clínico fiable de modelos de aprendizaje automático se ve obstaculizado por su tendencia a fallar silenciosamente cuando se aplican a subgrupos infrarepresentados en los datos de entrenamiento. Un ejemplo crítico es la atención pediátrica, donde los modelos entrenados predominantemente en cohortes de adultos suelen exhibir un bajo rendimiento sistemático en niños debido a diferencias significativas en la anatomía, la fisiología y la adquisición de imágenes. Aunque el reentrenamiento con datos pediátricos etiquetados es lo ideal, a menudo es inviable debido a la escasez de datos y a la heterogeneidad de la población pediátrica (por ejemplo, los rápidos cambios anatómicos desde la infancia hasta la adolescencia). En consecuencia, existe una necesidad apremiante de métodos que puedan detectar estos "fallos silenciosos" en el momento de la inferencia sin requerir datos etiquetados adicionales o el reentrenamiento del modelo. Los métodos estándar de cuantificación de la incertidumbre (UQ) suelen fallar en este aspecto, ya que típicamente están calibrados para datos dentro de la distribución (in-distribution) y no aumentan inherentemente la incertidumbre para entradas fuera de la distribución (OOD), lo que conduce a predicciones seguras pero incorrectas.

Metodología: VIDS-Seg
Los autores presentan VIDS-Seg, una adaptación del marco VIDS (Inferencia Variacional bajo Desplazamientos de Distribución) para la segmentación de imágenes densas. La innovación central radica en hacer tratable la prioridad adaptativa de VIDS para redes de segmentación de alta dimensión.

• Descomposición de la Arquitectura: Reconociendo que aplicar la inferencia variacional a una U-Net completa (con $10^7$–$10^8$ parámetros) es computacionalmente intratable, los autores descomponen la red en dos componentes:

  1. Red de Incrustación ($g_\xi$): Una arquitectura U-Net congelada (codificador, cuello de botella y decodificador) preentrenada en la tarea de segmentación. Extrae características espaciales ricas pero permanece fija durante la fase de entrenamiento de la incertidumbre.
  2. Cabeza de Predicción ($f_\theta$): Una capa convolucional ligera de $1\times1$ que mapea los mapas de características a logits de clase. La inferencia variacional se aplica únicamente a los parámetros de esta cabeza, reduciendo la dimensionalidad del posterior variacional a un tamaño manejable.

• Prior Adaptativo y Entrenamiento: El método emplea un prior adaptativo $p(\theta | x_{1:N}, x^*)$ condicionado tanto al contexto de entrenamiento como a la entrada de prueba.

  • Red de Inferencia: Una red neuronal $h_\gamma$ toma un resumen del contexto de entrenamiento (media y desviación estándar de las imágenes de entrenamiento incrustadas) y la incrustación de la imagen de prueba para producir los parámetros ($\mu, \sigma$) de la distribución variacional $q_\phi(\theta)$.
  • Estrategia de Entrenamiento: Dado que los desplazamientos de las covariables de prueba no están disponibles durante el entrenamiento, el método construye $L$ entornos sintéticos mediante el muestreo de submuestras de bootstrap de los datos de entrenamiento. La red de inferencia se optimiza utilizando un objetivo ELBO (Límite Inferior de la Evidencia) trans-entorno con una penalización de varianza para fomentar la robustez contra los desplazamientos de distribución.
  • Función de Energía: La función de energía se adapta para la segmentación promediando las log-probabilidades sobre las ubicaciones espaciales en lugar de sumarlas, asegurando la independencia de escala a través de diferentes resoluciones de imagen.

• Inferencia: En el momento de la prueba, el modelo genera un resumen de contexto a partir del conjunto de entrenamiento y una incrustación para la imagen de prueba. La red de inferencia produce los parámetros del posterior variacional, a partir de los cuales se extraen $S$ muestras de la cabeza de predicción. La segmentación final es la prediccción media, y la incertidumbre se estima mediante el mapa de entropía por píxel de estas muestras.

Contribuciones Clave

1. Marco VIDS-Seg: Extiende el marco VIDS a la segmentación densa aplicando inferencia variacional amortizada sobre una cabeza de predicción ligera, preservando la conciencia de OOD mientras sigue siendo computacionalmente factible.
2. Identificación Empírica de OOD: Evalúa sistemáticamente la incertidumbre a través de subgrupos pediátricos estratificados por edad, identificando a los lactantes como la principal población OOD donde los modelos entrenados en adultos muestran consistentemente un bajo rendimiento.
3. Impacto Clínico Downstream: Demuestra que la mejora en la localización de la incertidumbre se traduce en estimaciones más precisas y estables de la fracción de eyección (EF) y en una mejor detección de la disfunción cardíaca en el subgrupo de lactantes.
4. Posicionamiento vs. Calibración: Muestra que las ventajas de VIDS-Seg no se deben simplemente a una mejor escala de confianza (que la calibración post-hoc puede corregir), sino que reflejan una mejora genuina en la correspondencia espacial entre la incertidumbre y el error.

Resultados
El método fue evaluado para la segmentación del ventrículo izquierdo utilizando EchoNet-Dynamic (adultos, entrenamiento) y EchoNet-Pediatric (niños, evaluación zero-shot).

• Rendimiento de Segmentación: Todos los modelos (Deep Ensemble, PHiSeg, VIDS-Seg) mostraron una alta precisión (DSC > 0.90) para niños mayores, pero una caída significativa del rendimiento (DSC $\approx$ 0.84–0.85) para lactantes, confirmando a los lactantes como el grupo OOD.
• Calidad de la Incertidumbre: VIDS-Seg logró la mayor Correlación Cruzada Normalizada (NCC) entre la incertidumbre predicha (entropía) y el error de segmentación real.
  • En el grupo de lactantes (OOD), VIDS-Seg alcanzó una NCC de 0.62 (después de escalado de temperatura), superando significativamente al Deep Ensemble (0.54) y a PHiSeg (0.33).
  • Crucialmente, esta superioridad persistió incluso después de aplicar escalado de temperatura a todas las líneas base, indicando que VIDS-Seg proporciona una mejor localización espacial de la incertidumbre, no solo una mejor calibración de magnitud.
• Análisis Cualitativo: Los mapas de entropía de VIDS-Seg estaban estrechamente concentrados alrededor de las regiones de error real en casos de lactantes, mientras que las líneas base producían una incertidumbre que era demasiado estrecha (PHiSeg) o que perdía regiones críticas propensas al error (Ensemble).
• Impacto Downstream: Para el subgrupo de lactantes, VIDS-Seg produjo el Error Absoluto Medio (MAE) más bajo en la estimación de la Fracción de Eyección y el AUROC más alto (0.94) para la detección de malfunción cardíaca (EF < 50%), superando al Deep Ensemble (AUROC 0.90) y a PHiSeg (AUROC 0.81).

Significado y Reivindicaciones
El artículo sostiene que la cuantificación de la incertidumbre consciente de OOD puede servir como una "capa de seguridad" práctica para los modelos de segmentación desplegados. Al modelar explícitamente la dependencia de la incertidumbre de la novedad distributiva, VIDS-Seg permite la detección de fallos silencios en subgrupos infrarepresentados (específicamente lactantes) sin reentrenamiento ni datos etiquetados adicionales.

Los autores enfatizan que este enfoque aborda una limitación fundamental de los métodos de UQ estándar: la incapacidad de distinguir entre entradas dentro de la distribución y fuera de la distribución. Los resultados sugieren que mejorar la calidad y la localización de las estimaciones de incertidumbre tiene consecuencias directas y mensurables en la toma de decisiones clínicas, específicamente en la fiabilidad de los biomarcadores derivados como la fracción de eyección. El trabajo posiciona a VIDS-Seg no como un reemplazo de la calibración, sino como un estimador base superior que puede combinarse con métodos post-hoc para mejorar la seguridad clínica.