REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis

1. Il Problema

La diagnosi dell'Interstizio Polmonare (ILD) tramite Tomografia Computerizzata (TC) ad alta risoluzione è complessa a causa dell'eterogeneità regionale della malattia. Le patologie polmonari non si distribuiscono uniformemente; spesso seguono pattern specifici legati all'anatomia (es. progressione basale).
I metodi attuali di Deep Learning (DL) tendono a trattare l'intero polmone come un'unità omogenea, diluendo i segnali patologici regionali e offrendo una scarsa interpretabilità clinica. Inoltre, le architetture standard di Mixture of Experts (MoE) assumono capacità omogenee degli esperti e un routing "agnostico rispetto al dominio", ipotesi che non rispecchiano la realtà medica dove la struttura anatomica guida i pattern di malattia.

2. Metodologia: Regional Expert Networks (REN)

Gli autori introducono REN, il primo framework MoE informato anatomicamente per la classificazione di immagini mediche. L'approccio si articola in quattro fasi principali:

• A. Estrazione delle Regioni Anatomiche:
  I dati TC vengono pre-elaborati e segmentati automaticamente in 7 regioni distinte: i 5 lobi polmonari individuali (LUL, LLL, RUL, RML, RLL) più due regioni combinate (Polmone Sinistro e Polmone Destro). Ogni regione viene isolata tramite maschere anatomiche per creare input specifici per ogni "esperto".

• B. Addestramento degli Esperti Regionali:
  Vengono addestrati 7 esperti specializzati (uno per regione), ciascuno basato su diverse architetture di Deep Learning e Radiomica:

  • CNN 3D: Architetture convoluzionali personalizzate.
  • ViT (Vision Transformer): Adattati per volumi 3D.
  • Mamba: Architetture basate su stati spaziali (State-Space Models).
  • Radiomics (XGBoost): Estrazione di 107 caratteristiche quantitative (texture, forma, intensità) per ogni lobo, gestite da classificatori XGBoost.
    Questo design permette di catturare pattern patologici specifici di ogni regione senza essere influenzati dal contesto globale.

• C. Meccanismi di Gating (Porta) Multi-Modale:
  Per integrare le previsioni degli esperti, vengono sviluppate strategie di gating dinamiche che pesano i contributi in base all'input:

  • Basato sulle prestazioni: Pesi derivati dall'AUC di validazione degli esperti radiomici.
  • Basato sulle caratteristiche: Pesi derivati da rappresentazioni intermedie (es. entropia, varianza).
  • Gating Appreso: Reti leggere che apprendono dinamicamente i pesi in base all'input.
    Un meccanismo chiave è l'uso di radiomica guidata per pesare gli esperti deep learning, combinando l'interpretabilità delle feature ingegnerizzate con la potenza del DL.

• D. Integrazione End-to-End e Baseline:
  Il sistema finale fonde le caratteristiche degli esperti regionali con caratteristiche contestuali globali estratte da SwinUNETR (usato come baseline e componente di contesto globale). Il modello finale produce una classificazione binaria (ILD presente/assente) a livello di paziente.

3. Contributi Chiave

1. Architettura MoE Vincolata Anatomicamente: A differenza dei MoE generici, REN assegna esplicitamente gli esperti a regioni anatomiche definite (lobi), allineando il modello alla pratica radiologica e migliorando l'interpretabilità.
2. Integrazione Multi-Modale: Unione innovativa di feature radiomiche tradizionali (ingegnerizzate) e rappresentazioni Deep Learning, dove la radiomica guida non solo la previsione ma anche il meccanismo di ponderazione (gating) degli esperti.
3. Valutazione Comparativa di Architetture: Analisi sistematica di CNN, ViT e Mamba in contesti regionali, rivelando che le architetture più avanzate (ViT/Mamba) non sempre superano le CNN o la radiomica in compiti medici specifici senza un adattamento regionale.
4. Strategia di Addestramento a Stadi: Dimostrazione che un approccio "a stadi" (addestramento indipendente degli esperti seguito da ensemble fisso) supera l'ottimizzazione congiunta end-to-end in compiti medici, poiché preserva la specializzazione anatomica che l'ottimizzazione congiunta tende a erodere.

4. Risultati Sperimentali

Lo studio è stato condotto su un dataset longitudinale di 597 pazienti (1.898 scansioni TC) affetti da sclerosi sistemica, con un focus sulla diagnosi di ILD.

• Prestazioni Superiori: La configurazione migliore, un ensemble guidato dalla radiomica basato sui 5 lobi individuali, ha raggiunto un AUC medio di 0.8646 ± 0.0467.
• Miglioramento Significativo: Questo rappresenta un miglioramento del +12.5% rispetto alla baseline SwinUNETR (AUC 0.7685), con un valore p = 0.031 (statisticamente significativo).
• Specializzazione Regionale: Gli esperti dei lobi inferiori (dove l'ILD inizia tipicamente) hanno raggiunto AUC tra 0.88 e 0.90, superando di gran lunga le baseline DL (0.76-0.79).
• Confronto Architetture: Gli esperti basati su radiomica hanno generalmente superato le reti neurali pure in quasi tutte le regioni. Le architetture ViT e Mamba hanno mostrato maggiore variabilità e prestazioni inferiori rispetto alle CNN e alla radiomica in questo contesto specifico.
• Efficienza: Il tempo di inferenza è di circa 62 ms per paziente (per l'ensemble radiomico), rendendo il sistema adatto all'uso clinico in tempo reale.
• Ablazione: L'ottimizzazione congiunta end-to-end ha portato a un calo delle prestazioni rispetto all'ensemble a stadi, confermando che la separazione dell'addestramento degli esperti è cruciale per mantenere la specializzazione anatomica.

5. Significato e Impatto Clinico

• Interpretabilità Clinica: REN fornisce mappe di evidenza per lobo, permettendo ai radiologi di vedere quali regioni anatomiche hanno guidato la diagnosi. Questo allinea l'IA al flusso di lavoro radiologico naturale, superando le limitazioni delle mappe di attenzione "post-hoc".
• Diagnosi Precoce: Il miglioramento dell'AUC del 12.5% potrebbe tradursi in una migliore identificazione dei casi di ILD in fase iniziale, cruciale per rallentare la progressione della malattia.
• Paradigma per l'IA Medica: Il lavoro dimostra che l'integrazione di conoscenze di dominio (anatomia) e feature ingegnerizzate (radiomica) all'interno di architetture scalabili come il MoE è più efficace dell'applicazione cieca di modelli Deep Learning generici su dati medici.
• Fattibilità: Nonostante la complessità di addestrare 7 esperti indipendenti, il costo computazionale è gestibile e il sistema è pronto per essere testato in studi multicentrici e validazioni prospective.

In sintesi, REN rappresenta un passo avanti significativo verso l'IA medica "clinicamente allineata", dove la struttura anatomica non è solo un dato di input, ma un vincolo fondamentale che guida l'apprendimento e la decisione del modello.