Deep Learning Based Automated Assessment of Ulcerative Colitis Endoscopic Severity Using Local Global Transformer and Graph Convolutional Networks

Resumen Técnico: L-GTACNet para la Evaluación Automatizada de la Gravedad de la Colitis Ulcerosa

Planteamiento del Problema
La evaluación precisa de la gravedad de la colitis ulcerosa (CU) es crítica para la selección de tratamientos y el pronóstico, basándose típicamente en la Escala de Mayo Endoscópica (MES), que oscila entre 0 (normal) y 3 (grave). Sin embargo, la evaluación manual mediante colonoscopia es subjetiva, sufre de variabilidad interobservador y se ve complicada por diferencias morfológicas sutiles entre grados de severidad adyacentes. Los enfoques de aprendizaje profundo existentes enfrentan limitaciones específicas: las Redes Neuronales Convolucionales (CNN) a menudo fallan al capturar dependencias espaciales de largo alcance y patrones contextuales globales, mientras que los modelos Transformer independientes pueden perder detalles locales finos como el eritema temprano o las erosiones superficiales. Además, los métodos actuales suelen tratar el realce de imagen, la extracción de características y el razonamiento relacional como componentes disjuntos, careciendo de un marco unificado que modele las relaciones espaciales entre regiones mucosas discriminativas asegurando al mismo tiempo la interpretabilidad clínica.

Metodología
Los autores proponen L-GTACNet (Red de Redes Convolucionales de Grafos con Atención de Transformer Local-Global), un marco híbrido de aprendizaje profundo diseñado para abordar estas brechas a través de un pipeline integrado:

1. Preprocesamiento y Realce de Datos:

   • Corrección de Iluminación: Se aplica un algoritmo basado en Retinex para separar la reflectancia del tejido de la iluminación no uniforme, corrigiendo los gradientes de brillo sin alterar los patrones de color patológicos.
   • Realce de Contraste: Se utiliza la Ecualización de Histograma Adaptativa Limitada por Contraste (CLAHE) para mejorar el contraste local en las regiones de interés sin amplificar el ruido.
   • Estandarización: Las imágenes se someten a normalización y aumentación de datos adaptativa (transformaciones geométricas y fotométricas leves) para garantizar la robustez.
   • Conjunto de Datos: El estudio utiliza un conjunto de datos público de 564 registros de pacientes y 11,276 imágenes de colonoscopia, anotadas por gastroenterólogos expertos con etiquetas MES (0–3). Crucialmente, la partición de datos se realiza a nivel de paciente para prevenir la fuga de datos y asegurar la generalización.

2. Diseño de la Arquitectura:

   • Transformer Local–Global: El codificador visual central convierte la imagen en una secuencia de tokens. Emplea un enfoque de doble vía:
     • Rama Local: Utiliza mecanismos de atención para identificar y ponderar regiones discriminativas finas (por ejemplo, lesiones específicas, cambios vasculares).
     • Rama Global: Utiliza la auto-atención para modelar dependencias de largo alcance y capturar el contexto inflamatorio general (por ejemplo, eritema difuso).
   • Red de Convolución de Grafos (GCN) Guiada por Atención: Los tokens locales más discriminativos se transforman en nodos de un grafo. Los bordes se construyen basándose tanto en la proximidad espacial como en la similitud semántica. Un módulo de convolución de grafos propaga la información a través de estos nodos, modelando las dependencias relacionales entre las regiones mucosas distribuidas espacialmente.
   • Fusión de Características: Un mecanismo de compuerta (gating) aprendido fusiona dinámicamente las representaciones locales, globales y basadas en grafos, permitiendo que el modelo adapte su estrategia de decisión según el contenido de la imagen (por ejemplo, apoyándose más en características locales para pequeñas úlceras frente a características globales para inflamación difusa).
   • Clasificación: La representación fusionada se pasa a una cabeza de clasificación para predecir las cuatro clases de MES (0–3).

3. Entrenamiento y Evaluación:

   • El modelo se entrena utilizando una pérdida de entropía cruzada categórica con ponderación de clases para manejar el desequilibrio.
   • El rendimiento se evalúa mediante precisión (accuracy), precisión (precision), exhaustividad (recall), puntuación F1, especificidad, AUROC y la Kappa de Cohen.
   • La explicabilidad se evalúa mediante mapas de atención para verificar que el modelo se enfoque en anomalías mucosas clínicamente relevantes.

Contribuciones Clave

• Arquitectura Híbrida: La integración de Transformers Local–Global con Redes Convolucionales de Grafos permite la captura simultánea de detalles de lesiones locales finas y patrones contextuales globales, mientras se modelan explícitamente las relaciones espaciales entre las regiones inflamatorias.
• Pipeline Unificado: El marco combina el realce de imagen (Retinex/CLAHE), la extracción jerárquica de características y el razonamiento relacional en un único sistema de extremo a extremo, abordando la fragmentación vista en trabajos previos.
• Interpretabilidad Clínica: El modelo proporciona explicaciones relevantes para la enfermedad al resaltar áreas mucosas específicas (por ejemplo, ulceración, sangrado) que contribuyen a la predicción de la gravedad, alineándose con los criterios diagnósticos expertos.
• Validación Robusta a Nivel de Paciente: El estudio emplea una estricta partición de datos a nivel de paciente para asegurar que las métricas de rendimiento reflejen capacidades de generalización reales en lugar de un sobreajuste a fotogramas específicos de pacientes.

Resultados
El L-GTACNet propuesto fue evaluado en el conjunto de prueba y demostró un rendimiento superior en comparación con las CNN base, los Transformers estándar (ViT, Swin) y las arquitecturas híbridas:

• Rendimiento General: Logró un 94.80% de exactitud (accuracy), 94.67% de precisión, 94.51% de exhaustividad (recall), 94.58% de F1-score y un AUROC de 0.986.
• Rendimiento por Clase: El modelo mantuvo un alto rendimiento en todas las clases de MES, con la puntuación F1 más alta del 97.66% para MES-0 (junto con un 97.31% de precisión, 98.02% de exhaustividad y 98.74% de especificidad) y resultados consistentes para las etapas de enfermedad activa (MES-1 a MES-3).
• Discriminación de Fronteras: El modelo distinguió eficazmente los grados de severidad adyacentes, ocurriendo los errores más significativos entre MES-1 y MES-2, lo que refleja la ambigüedad visual inherente de la inflamación intermedia.
• Estudio de Ablación: La adición progresiva de componentes (Realce de Imagen → Transformer Local-Global → Atención Local → Convolución de Grafos) confirmó que cada módulo contribuyó incrementalmente al rendimiento final.
• Robustez: El modelo mantuvo una alta exactitud (>90%) bajo degradaciones simuladas que incluyen reducción de iluminación, pérdida de contraste, ruido y desenfoque de movimiento.
• Eficiencia Computacional: Con 18.7 millones de parámetros y un tiempo de inferencia de 21.4 ms/imagen, el modelo ofrece una relación favorable entre precisión y costo computacional en comparación con modelos Transformer más pesados.

Significancia y Reivindicaciones
El artículo afirma que L-GTACNet proporciona una herramienta robusta, objetiva y reproducible para evaluar la gravedad de la CU, potencialmente reduciendo la variabilidad interobservador en la práctica clínica. Los autores enfatizan que la capacidad del modelo para localizar características patológicas específicas (eritema, pérdida vascular, friabilidad, ulceración) y modelar sus relaciones espaciales lo hace clínicamente interpretable.

Sin embargo, los autores mantienen una postura modesta respecto al despliegue clínico. Establecen explícitamente que L-GTACNet es una herramienta prospectiva diseñada para asistir a los gastroenterólogos, no para reemplazarlos. El artículo concluye que, antes de su adopción clínica rutinaria, el marco requiere validación externa en diferentes instituciones, dispositivos de endoscopia y poblaciones de pacientes, así como estudios clínicos prospectivos para confirmar su utilidad en entornos del mundo real.