UWFound, A domain-adapted foundation model for hierarchical posterior uveitis diagnosis from ultra-widefield fundus images

Resumen Técnico: UWFound – Un Modelo de Fundación Adaptado al Dominio para el Diagnóstico Jerárquico de la Uveítis Posterior

Planteamiento del Problema
El diagnóstico preciso y la clasificación etiológica de la uveítis posterior siguen siendo desafíos clínicos significativos debido a las manifestaciones heterogéneas, los fenotipos superpuestos y el severo desequilibrio de clases entre los subtipos de enfermedades. Los modelos de inteligencia artificial (IA) existentes enfrentan dos limitaciones primarias:

1. Desajuste de Modalidad: La mayoría de los modelos de fundación de la retina están preentrenados en fotografías de fondo de ojo en color (CFP) convencionales, las cuales difieren significativamente del oftalmoscopio de barrido láser de campo ultra amplio (UWF) en cuanto a mecanismos de imagen, campo de visión, características de color y la apariencia de las lesiones periféricas.
2. Falta de Razonamiento Jerárquico: Los modelos actuales suelen emplear una clasificación plana, fallando en reflejar el flujo de trabajo de diagnóstico clínico donde los oftalmólogos primero detectan la inflamación, luego distinguen entre causas infecciosas y no infecciosas, y finalmente identifican etiologías específicas.
   Además, el diagnóstico automatizado basado en UWF para la uveítis posterior está poco explorado, y los modelos tienen dificultades con los subtipos raros debido a la escasez de datos.

Metodología
Los autores desarrollaron UWFound, un modelo de fundación adaptado a UWF integrado en un marco de diagnóstico jerárquico. El enfoque consta de tres componentes principales:

1. Ajuste Fino Auto-supervisado de Adaptación de Dominio:

   • Modelo Base: Los autores partieron de RETFound-DINOv2, un modelo de fundación de retina genérico.
   • Adaptación de Dominio: Realizaron un ajuste fino auto-supervisado utilizando 21,234 imágenes UWF no etiquetadas recolectadas de exámenes clínicos de rutina y conjuntos de datos públicos.
   • Preprocesamiento: Dado que la imagenología UWF utiliza principalmente canales de láser rojo y verde, solo se conservaron estos canales informativos. Las imágenes se redimensionaron a 784 × 784 píxeles para preservar la morfología de las lesiones retinianas y coroideas periféricas. Este paso tuvo como objetivo cerrar la brecha de modalidad entre CFP y UWF.

2. Marco de Diagnóstico Jerárquico:
   El modelo emula el razonamiento clínico a través de una jerarquía de tres niveles:

   • Nivel 1 (Tamizaje): Distingue ojos normales de ojos con uveítis posterior.
   • Nivel 2 (Diferenciación): Clasifica la uveítis como infecciosa o no infecciosa.
   • Nivel 3 (Subtipificación): Predice subtipos etiológicos específicos (por ejemplo, enfermedad de Behçet, uveítis relacionada con tuberculosis, necrosis retinal aguda, diversas formas de endoftalmitis).
   • Arquitectura: UWFound sirve como codificador de imagen. Un módulo de atención condicionado por clase transforma las predicciones de cada nivel en incrustaciones (embeddings) de clase, condicionando las etapas de refinamiento subsecuentes para enfatizar características relevantes mientras se preserva el contexto global. Para manejar el desequilibrio de clases y la heterogeneidad, cada nivel utiliza un clasificador métrico basado en prototipos con prototipos de clase aprendibles y memoria de prototipos actualizada por momentum.

3. Estrategia de Entrenamiento y Evaluación:

   • Datos: El conjunto de datos etiquetados internos comprendió 617 imágenes UWF de 373 individuos (265 pacientes con uveítis posterior, 108 controles sanos). Los datos se dividieron a nivel de paciente para evitar la fuga de información.
   • Líneas Base: El rendimiento se comparó contra modelos convencionales (ResNet50, ViT) y modelos de fundación genéricos (VisionFM, RETFound, RETFound-DINOv2).
   • Categorías: La evaluación se estratificó por disponibilidad de datos: Soporte alto (ojos normales), Soporte medio (subtipos comunes como la enfermedad de Behçet, uveítis por TB, sarcoidosis, ARN) y Soporte bajo (subtipos raros como endoftalmitis fúngica/bacteriana).
   • Validación Externa: El modelo fue probado en tres conjuntos de datos independientes (WEI-UWF, ZPPH-UWF y un conjunto de datos de referencia clínica) para evaluar su generalizabilidad.

Resultos Clave

• Rendimiento de Tamizaje: En el conjunto de prueba interno, el modelo jerárquico basado en UWFound logró un tamizaje de uveítis casi perfecto con un AUROC de 0.9999 y un AUPRC de 0.9998.
• Infeccioso vs. No Infeccioso: El modelo demostró una fuerte discriminación para el segundo nivel de diagnóstico, logrando un AUROC medio de 0.9496 (No infeccioso: 0.9391; Infeccioso: 0.9098).
• Subtipos Raros (Few-Shot): En las categorías de soporte medio, UWFound alcanzó el mayor AUROC (0.8577) y AUPRC (0.4681) entre todos los modelos comparados. En las categorías de soporte bajo, aunque la sensibilidad general se mantuvo baja (un desafío común para enfermedades raras), el modelo jerárquico logró el AUPRC más alto (0.3439), lo que indica una mejora en la relación precisión-exhaustividad (precision-recall) bajo un severo desequilibrio de clases.
• Validación Externa: El modelo preservó la capacidad discriminativa para el primer nivel de tamizaje en los conjuntos de datos externos (rango de AUROC: 0.7638–0.9767). Sin embargo, el rendimiento varió significamente según los umbrales operativos, resaltando cambios de dominio externos sustanciales.
• Interpretabilidad: Los mapas de activación de clase de la capa Norm-Layer revelaron un cambio progresivo en la atención: una atención retinal amplia en el nivel de tamizaje que transiciona hacia una activación localizada asociada a lesiones (por ejemplo, inflamación vascular, regiones necróticas periféricas) en los niveles diagnósticos más finos.

Significancia y Reivindicaciones
El artículo postula que UWFound establece una herramienta robusta y generalizable para el tamizaje automatizado de la uveítis posterior y la identificación etiológica compleja. Sus contribuciones primarias son:

1. Adaptación de Modalidad: Demostrar que el ajuste fino auto-supervisado adaptado al dominio mediante el uso de datos UWF no etiquetados a gran escala mejora significativamente el aprendizaje de representaciones en comparación con los modelos de fundación de la retina genéricos, particularmente en escenarios de soporte medio y bajo (medium- y few-shot).
2. Alineación Clínica: Validar que un marco jerárquico que refleja el razonamiento clínico (Tamizaje → Infeccioso/No infeccioso → Etiología) produce un fuerte rendimiento para los dos primeros pasos críticos del diagnóstico, los cuales son esenciales para las decisiones de tratamiento (por ejemplo, evitar corticosteroides en casos infecciosos).
3. Utilidad Realista: Los autores reivindican modestamente que, si bien el modelo proporciona información etiológica detallada de apoyo, la clasificación de subtipos raros sigue siendo un desafío. Por lo tanto, UWFound debe interpretarse mejor como un sistema de triaje e información de apoyo a la decisión interpretable en lugar de una herramienta de diagnóstico autónoma. Está diseñado para identificar ojos con alta probabilidad de presentar uveítis posterior, priorizar vías infecciosas y sugerir posibles etiologías para una investigación clínica dirigida.

El estudio concluye que el trabajo futuro debe centrarse en la validación prospectiva multicéntrica, la integración multimodal con datos clínicos y de laboratorio, y estrategias de calibración para asegurar un despliegue seguro en el mundo real.