Resumen Técnico: RadioAI – Aprendizaje Profundo Basado en la Física e Interpretable para la Clasificación de Imágenes Médicas Multimodales

Planteamiento del Problema

El artículo aborda un cuello de botella diagnóstico causado por la escasez mundial de radiólogos y el aumento de los volúmenes de imágenes médicas. Si bien el aprendizaje profundo ha alcanzado un rendimiento de nivel radiólogo en tareas de una sola modalidad, los sistemas existentes sufren tres limitaciones críticas:

1. Diseño de una Sola Modalidad: La mayoría de las arquitecturas ignoran las diferencias físicas fundamentales entre las modalidades de imagen (atenuación de rayos X en TC, relajación del espín nuclear en RM y retrodispersión acústica en ecografía), lo que impide abarcar múltiples modalidades en una única aplicación desplegable.
2. Interpretabilidad Post-hoc: Los métodos actuales de explicabilidad (por ejemplo, GradCAM, LIME) se aplican después del entrenamiento y no hacen referencia a los fenómenos físicos de la imagen, lo que dificulta que los radiólogos verifiquen por qué ciertas características fueron informativas en términos físicos.
3. Novedad no Validada: Los componentes arquitectónicos novedosos rara vez se eliminan sistemáticamente para confirmar su contribución, lo que hace imposible distinguir si los beneficios del sesgo inductivo son genuinos o fruto de la suerte con los hiperparámetros.

Los autores declaran explícitamente que no pretenden alcanzar el estado del arte en precisión; más bien, su objetivo es demostrar que el diseño de componentes basado en la física es empíricamente validable y proporcionar un marco de evaluación reproducible para la IA médica interpretable.

Metodología

RadioAI es un sistema de soporte a la decisión clínica multimodal que integra tres arquitecturas de aprendizaje profundo basadas en la física con una interfaz Streamlit unificada y un "Gatekeeper" (guardián) de enrutamiento de modalidad automático.

1. Conjuntos de Datos y Preprocesamiento

• TC de Tórax: 1,000 imágenes (4 clases: 3 subtipos de cáncer, normal). Se utilizaron cortes 2D con un aumento de 8 veces para simular volúmenes 3D.
• RM Cerebral: 7,200 imágenes (4 clases balanceadas). El preprocesamiento incluyó eliminación de ruido, CLAHE y normalización z-score.
• Ecografía Mamaria (BUSI): 780 imágenes (3 clases: benigno, maligno, normal). El preprocesamiento consistió en la conversión a escala de grises y normalización.

2. Arquitecturas Específicas de la Modalidad

Cada arquitectura codifica una hipótesis física como una restricción estructural en lugar de un regularizador aprendido:

• DPMS-LSW (Cáncer de Pulmón por TC):
  • Hipótesis: Los subtipos de cáncer son discriminables por la textura 2D a múltiples escalas espaciales, y el contexto entre cortes proporciona señal en volúmenes 3D.
  • Estructura: Se fusionan una Ruta Local (EfficientNet-B2 + Atención Espacial Multiescala) y una Ruta Global (ResNet-34 + Ponderación de Corte Aprendible + Transformer) mediante Atención Cruzada (Cross-Attention).
• TARNet (Ecografía Mamaria):
  • Hipótesis: Los fenómenos acústicos (atenuación, retrodispersión, sombreado) son distintos y eliminables.
  • Estructura: Tres ramas con nombre:
    1. Rama de Atenuación: Modela la caída exponencial de la profundidad mediante una curva sigmoide aprendible.
    2. Rama de Retrodispersión: Captura la textura de ecogenicidad a múltiples escalas.
    3. Rama de Sombra Acústica: Modela los artefactos de sombra posterior.
  • Interpretabilidad: Un Gate de Composición Acústica (ACG) asigna pesos a estas ramas, visualizados como un gráfico de radar clínico.
• MSCAF (Tumor de RM Cerebral):
  • Hipótesis: Los tipos de tumores se caracterizan por rasgos en escalas espaciales cualitativamente diferentes.
  • Estructura: Tres escalas de CNN (textura fina, nitidez de bordes, morfología gruesa) fusionadas con una rama de Transformer global mediante Atención Cruzada por Escala.

3. Integración del Sistema

• Gatekeeper: Un modelo MobileNetV3-Small enruta cualquier escaneo a la arquitectura específica de la modalidad sin intervención del clínico. Un umbral de confianza de 0.60 activa una solicitud de anulación si el enrutamiento es incierto.
• Stack de Interpretabilidad:
  1. Capa 1: Mapas de activación GradCAM (espaciales, post-hoc).
  2. Capa 2: Gráficos de radar de física de TARNet (intrínsecos al modelo, causales, expresados en terminología acústica).
  3. Capa 3: Plantillas de explicación clínica estructurada (lenguaje natural que conecta la salida del modelo con el vocabulario del clínico).

4. Protocolo de Ablación

Se realizaron nueve experimentos de ablación controlados a través de 21 modelos entrenados. Los componentes se eliminaron uno por uno para medir la caída en la precisión, validando si el diseño basado en la física era necesario.

Resultados Clave

El estudio reporta la precisión y las puntuaciones F1 macro en conjuntos de prueba/validación dejados fuera del entrenamiento, calculando intervalos de confianza de Wilson del 95% para evaluar la robustez estadística.

• TC (DPMS-LSW):
  • Precisión de Validación: 90.28% (4 clases).
  • Ablación: Eliminar la Atención Multiescala causó una caída de −5.56%, validando la hipótesis de la textura multiescala. La Ruta Global (contexto entre cortes) mostró una caída del 0%, atribuido al uso de pseudo-volúmenes (cortes 2D aumentados) que carecen de verdadera diversidad 3D.
• RM (MSCAF):
  • Precisión de Validación: 89.62% (4 clases).
  • Ablación: Eliminar la estructura multiescala (SingleScale) causó la mayor caída en todos los experimentos (−11.62%), con intervalos de confianza no superpuestos que confirman la hipótesis espacial multiescala. Curiosamente, eliminar la rama del Transformer mejoró la precisión en un +4.26%, indicando que el ViT entrenado desde cero añadió ruido al conjunto de datos de 5,600 imágenes.
• Ecografía (TARNet):
  • Precisión de Prueba: 83.76% (3 clases), superando a ResNet50 en un +4.27% a pesar de contar con datos de entrenamiento limitados (546 imágenes).
  • Ablación: Eliminar la Rama de Sombra Acústica causó la caída más severa (−7.69%). El orden de impacto de las ablaciones (Sombra > Retrodispersión = Atenuación) reflejó la jerarquía clínica de los discriminadores acústicos para la malignidad.
• Gatekeeper: Enrutó los escaneos con éxito y alta confianza, activando la anulación manual solo cuando la confianza caía por debajo de 0.60.

Significancia y Reivindicaciones

El artículo enmarca su contribución como un estudio de medición y validación de diseño en lugar de un simple benchmark de precisión. Sus principales afirmaciones son:

1. Validabilidad Empírica: El diseño de componentes basados en la física es empíricamente validable. La metodología de ablación controlada demostró con éxito que eliminar restricciones físicas específicas (por ejemplo, el modelado de la sombra acústica o la atención espacial multiescala) conduce a caídas de precisión estadísticamente interpretables.
2. Sesgo Inductivo sobre Complejidad: Los resultados sugieren que la "especificidad física" —no la complejidad arquitectónica— es lo que impulsa los beneficios interpretables. Los componentes genéricos (como un Transformer entrenado desde cero en datos limitados o rutas globales en pseudo-volúmenes) a menudo no ayudaron o incluso perjudicaron el rendimiento.
3. Sistema Desplegable Unificado: RadioAI es el primer sistema que abarca TC, RM y Ecografía en una sola aplicación con enrutamiento automático de modalidad e interpretabilidad de múltiples capas.
4. Explicabilidad Intrínseca al Modelo: El gráfico de radar de TARNet proporciona una explicación intrínseca al modelo en terminología acústica clínica, distinta de los métodos de atribución de píxeles post-hoc.

Los autores reconocen las limitaciones, incluyendo el uso de pseudo-volúmenes para TC, el ruido introducido por los Transformers entrenados desde cero en RM y la falta de validación clínica prospectiva. Posicionan la aplicación de Streamlet desplegada como una herramienta de demostración de investigación para permitir la reproducción independiente de los resultados de inferencia y las metodologías de ablación.