A Safety Envelope for Foundation-Model Dental Diagnosis: Bounded-Deviation Guarantees and Cross-Center Refusal

Resumen Técnico: Un sobre de seguridad para el diagnóstico dental basado en modelos fundacionales

Declaración del problema
Si bien los modelos fundacionales para radiografía dental han alcanzado una alta precisión diagnóstica, carecen de las propiedades de fiabilidad necesarias para el despliegue clínico. Específicamente, estos modelos suelen sufrir de descalibración (donde la confianza reportada no coincide con la frecuencia empírica), degradación silenciosa al ser desplegados en nuevos entornos y la incapacidad de abstenerse de realizar predicciones ante entradas desconocidas (fuera de la distribución o OOD). Los sistemas actuales se centran en métricas de precisión, pero no logran proporcionar garantías de desviación acotada ni mecanismos de rechazo basados en principios, lo que crea una breis entre el alto rendimiento y la seguridad clínica.

Metodología
Los autores proponen un "sobre de seguridad" (safety envelope) agnóstico al backbone que envuelve cualquier codificador fundacional congelado sin requerir el reentrenamiento del mismo. El sistema opera sobre recortes a nivel de diente de radiografías panorámicas y consta de tres componentes integrados:

1. Línea base calibrada: Se ajusta una sonda lineal con escalado de temperatura sobre los embeddings congelados para establecer una predicción de línea base confiable y calibrada.
2. Sobre de seguridad de desviación acotada: Una cabeza residual superficial añade una corrección por condición a la línea base del logit. Esta corrección está recortada rígidamente (hard-clipped) a un límite simétrico $\delta$. Esta restricción estructural asegura que la predicción final se desvíe de la línea base confiable como máximo $\delta$ y recupere la línea base exactamente si la cabeza residual es cero. Esto proporciona una garantía de peor caso demostrable contra la degradación silenciosa.
3. Puerta de rechazo de fuera de la distribución (OOD): Un detector de OOD basado en la distancia de Mahalanobis del embedding de entrada respecto a la distribución de entrenamiento. Las entradas que exceden un umbral (ajustado a una tasa de rechazo específica para la distribución interna, por ejemplo, 5%) se derivan a un clínico en lugar de recibir una predicción.

El método está diseñado para ser ligero, requiriendo solo el entrenamiento de una cabeza pequeña y un único cálculo de distancia sobre un codificador congelado.

Contribuciones clave
El artículo describe cuatro contribuciones primarias:

• (C1) Garantía de desviación acotada: Una cabeza de sobre residual con un recorte rígido que impone un límite $\delta$ demostrable sobre la desviación de una línea base calibrada, asegurando la recuperación exacta en el peor de los casos (Proposición 1).
• (C2) Mecanismo de rechazo OOD: Una puerta de embedding mediante distancia de Mahalanobis que se abstiene ante entradas desconocidas, ajustada a una tasa de rechazo específica de la distribución interna.
• (C3) Evidencia empírica de descalibración: Demostración mediante un "zoológico de clasificadores" (tres arquitecturas) y ablación de cabeza multietiqueta de que los clasificadores dentales precisos están sistemáticamente descalibrados, lo que motiva la necesidad de una capa de seguridad post-hoc en lugar de complejidad arquitectónica.
• (C4) Validación entre centros: Evaluación en una base de datos clínica genuinamente diferente (Base de Datos Dental de Tufts) que muestra que el mecanismo de rechazo deriva la mayoría de las entradas de centros no vistos, manteniendo bajas tasas de rechazo en su propio centro.

Resultados
Los experimentos se realizaron en el benchmark de panorámicas DENTEX y se validaron transversalmente en la Base de Datos Dental de Tufts y el conjunto de validación externa ADCD. Se probaron dos codificadores congelados estructuralmente diferentes: un Vision Transformer específico para odontología (ViT-L) y un modelo de visión-lenguaje biomédico (BiomedCLIP).

• Calibración y discriminación: En el backbone dental, el sobre mejoró el Error de Calibración Esperado (ECE) de 0.040 a 0.034, mientras que mejoró ligeramente el macro-AUC (0.849 a 0.857). En el backbone biomédico, preservó la calibración y mejoró la discriminación. La garantía de desviación se mantuvo en las dieciocho condiciones probadas (tres semillas $\times$ dos backbones $\times$ barrido de $\delta$).
• Métricas de punto de operación: Con un umbral de decisión de 0.5, el sobre aumentó el macro-F1 de 0.46 a 0.58, principalmente al recuperar la sensibilidad en condiciones raras (caries profunda y lesión periapical) que la línea base omitía.
• Rendimiento de rechazo: En el conjunto de datos de Tufts (un país y un sistema de adquisición diferentes), el sobre rechazó el 84.7% de las entradas en un punto de operación que solo rechazó el 5.1% de su propio centro (DENTEX). La puerta basada en Mahalanobis superó significativamente a los detectores basados en logits (MSP, Energy, ODIN) al distinguir el centro no visto (AUROC 0.968 frente a ~0.78).
• Robustez: El método fue robusto al hiperparámetro $\delta$, observándose un rendimiento óptimo en el rango $[1.0, 2.0]$. La garantía de desviación fue verificada empíricamente como ajustada y nunca fue violada.

Significación y Reivindicaciones
El artículo afirma que la contribución principal es la seguridad, no un aumento uniforme de la precisión. La significación reside en proporcionar una "tríada de seguridad":

1. Calibración: Puntuaciones de confianza significativas.
2. Desviación acotada: Un contrato estructural que evita la degradación silenciosa respecto a una línea base confiable.
3. Rechazo: La capacidad de derivar a un clínico ante datos desconocidos.

Los autores enfatizan que la garantía de seguridad es arquitectónica, no estadística; se mantiene para cualquier entrada y cualquier backbone porque depende de la operación de recorte en lugar de supuestos de distribución de datos. El método está diseñado para ser reutilizable inmediatamente a medida que se lancen modelos fundacionales dentales más fuertes, actuando como una capa de seguridad portátil que "mejora donde es necesario, nunca daña y proporciona una garantía formal". El artículo establece explícitamente que las ganancias en discriminación son modestas por diseño, y que el trabajo no debe leerse como un resultado de rendimiento, sino como un marco para el despliegue confiable.

Limitaciones señaladas por los autores

• Las ganancias en discriminación son modestas; el enfoque es estrictamente en las propiedades de seguridad.
• Los conjuntos de datos (DENTEX, Tufts, ADCD) son públicos y relativamente pequeños; se necesita una cohorte clínica prospectiva con etiquetas por diente para una evaluación definitiva de la fiabilidad.
• El codificador dental utilizado fue entrenado en imágenes periapicales pero aplicado a recortes panorámicos; sin embargo, las pruebas con un backbone capaz de procesar panorámicas mostraron resultados similares, lo que sugiere que los errores son a nivel de tarea y no artefactos de cambio de dominio.
• La garantía de desviación acotada es relativa a una línea base calibrada simple; sustituirla por un prior derivado de un clínico haría que el contrato fuera clínicamente significativo.
• El método no localiza los dientes; requiere una etapa previa de detección de dientes.
• El método no realiza comparativas contra métodos de incertidumbre basados en ensambles (por ejemplo, deep ensembles), ya que son incompatibles con el entorno de codificador congelado y sin reentrenamiento.