$\Delta$Representation: Geometry Supervised Representation Learning of Phenotypes via Counterfactual Reasoning for Medical VLMs

En el silencioso zumbido de un departamento de radiología de un hospital, un médico estudia una tomografía computarizada, buscando la sutil diferencia entre un pulmón sano y uno enfermo. Para el ojo humano, esta tarea depende de años de entrenamiento para reconocer cómo una enfermedad específica cambia la apariencia del tejido normal. En años recientes, las computadoras han comenzado a aprender esta misma habilidad a través de sistemas de inteligencia artificial conocidos como modelos de visión y lenguaje. Estos sistemas son entrenados para observar imágenes médicas y leer texto clínico, aprendiendo a conectar lo que ven con lo que está escrito. El objetivo es crear un asistente digital que pueda ayudar a los médicos a interpretar escaneos, detectar anomalías y generar informes. Sin embargo, un obstáculo significativo persiste: estas computadoras a menudo luchan por comprender que una enfermedad no es un objeto separado que flota en el cuerpo, sino un cambio que ocurre en la estructura normal del cuerpo. Ven la imagen como un todo, pero tienen dificultades para aislar exactamente cómo una lesión, o un área dañada, difiere del tejido sano que la rodea. Sin esta comprensión precisa, la computadora podría identificar que algo anda mal, pero no puede explicar de manera confiable exactamente qué está mal o dónde se localiza con la precisión que un médico necesita.

Un equipo de investigadores ha propuesto una nueva forma de enseñar a estos modelos de computadora, una que se enfoca en el concepto de cambio en lugar de solo en la imagen final. Llaman a su enfoque un método para el aprendizaje de representaciones visuales mediante el razonamiento contrafáctico. En términos simples, en lugar de solo mostrarle a la computadora una foto de un pulmón enfermo y pedirle que nombre la enfermedad, los investigadores enseñan a la computadora a imaginar cómo se vería ese punto específico si fuera sano. El sistema primero aprende un mapa detallado de cómo se disponen las partes sanas del cuerpo en el espacio, comprendiendo que el corazón se asienta en una relación específica con los pulmones y que los vasos sanguíneos siguen un camino continuo. Una vez establecido este mapa de la anatomía normal, la computadora observa un área enferma y hace una pregunta hipotética: "Si este punto fuera normal, ¿cómo se vería?". Al comparar la imagen real del tejido enfermo contra esta versión sana imaginada, el sistema calcula la diferencia específica. Esta diferencia, o el "incremento" del cambio, se convierte en la clave para identificar la enfermedad. Los investigadores descubrieron que al enfocarse en este vacío entre el estado real y el estado sano imaginado, la computadora es mucho mejor para señalar dónde hay un problema y describir exactamente qué tipo de problema es.

El método se construye sobre dos pasos distintos. Primero, el sistema se somete a una fase de entrenamiento donde aprende la geometría del cuerpo humano sin presencia de enfermedad. Se le muestran miles de imágenes de anatomía sana y se le enseña a organizar su comprensión interna de estas estructuras de modo que las relaciones espaciales coincidan con la realidad. Si el modelo sabe dónde debería estar el pulmón izquierdo en relación con el pulmón derecho, y cómo el tejido fluye continuamente dentro de un solo órgano, construye un punto de referencia estable. Esto es crucial porque le otorga a la computadora una línea base confiable. En el segundo paso, el sistema encuentra imágenes que contienen lesiones, como nódulos o áreas de inflamación. Por cada parche de tejido enfermo, el sistema utiliza su conocimiento de la anatomía sana para estimar cómo debería verse ese parche si no estuviera enfermo. Luego, resta esta versión sana estimada de la imagen enferma real. El resultado es una señal clara que resalta únicamente el cambio patológico, eliminando el ruido de fondo de la anatomía normal. Esto permite que el modelo aprenda que un "nódulo pulmonar" no es solo una forma aleatoria, sino un tipo específico de cambio visual respecto al tejido pulmonar normal.

Para probar esta idea, los investigadores aplicaron su método a varios modelos existentes de inteligencia artificial médica y los evaluaron en dos grandes conjuntos de datos públicos que contienen tomografías computarizadas de tórax. Un conjunto de datos incluía más de dos mil imágenes con notas detalladas sobre cuatro tipos específicos de condiciones pulmonares, mientras que el otro contenía cientos de escaneos con anotaciones de expertos para nódulos pulmonares. Los resultados mostraron una mejora dramática en la capacidad de los modelos para realizar dos tareas críticas: localizar la posición exacta de una lesión en el escaneo e identificar correctamente el tipo de enfermedad. Por ejemplo, cuando se probó en uno de los modelos, la capacidad para señalar correctamente la ubicación de un problema saltó de aproximadamente un diez por ciento de precisión a más del cincuenta por ciento. Del mismo modo, la precisión para identificar el tipo específico de enfermedad se triplicó en algunos casos. Los investigadores observaron que, a medida que alimentaban al sistema con más ejemplos de tejido enfermo, su capacidad para distinguir entre diferentes tipos de condiciones se volvía más aguda, de forma muy similar a un estudiante que aprende a distinguir entre aves de apariencia similar tras ver muchos más ejemplos.

El estudio también demostró que este enfoque funciona bien incluso cuando se le pide a la computadora que genere informes escritos completos sobre los escaneos, una tarea conocida como generación de informes de radiología. En estas pruebas, los modelos equipados con el nuevo método fueron capaces de producir informes que no solo eran más precisos en sus descripciones, sino que también eran mejores vinculando esas descripciones con las partes correctas de la imagen. En un caso de estudio específico, un modelo estándar no notó una opacidad de vidrio deslustrado, una sutil nubosidad en el pulmón, e informó que el escaneo era normal. El modelo que utilizaba el nuevo método, sin embargo, identificó correctamente la anomalía, describió su textura y forma, y señaló su ubicación en la parte inferior del pulmón. Este éxito sugiere que, al enseñar a la computadora a entender la disposición normal del cuerpo y luego medir la desviación de esa disposición, el sistema gana una comprensión más profunda y confiable de la enfermedad. Los investigadores concluyeron que esta forma de aprendizaje, que separa lo normal de lo anormal a través de un proceso de comparación, ofrece una herramienta poderosa para mejorar la forma en que la inteligencia artificial interpreta las imágenes médicas, conduciendo potencialmente a diagnósticos más precisos y un mejor apoyo para los médicos en el futuro.