Weakly Supervised Pneumonia Localization from Chest X-Rays Using Deep Neural Network and Grad-CAM Explanations

Sintesi Tecnica: Localizzazione Debolemente Supervisionata della Polmonite da Radiografie del Torace

Definizione del Problema
La polmonite rimane una delle principali cause di morbilità e mortalità globale, con le radiografie del torace che fungono da principale strumento diagnostico. Tuttavia, l'accuratezza della diagnosi è spesso ostacolata da lesioni sottili, dalla variabilità dei radiologi e dalla natura "black-box" dei modelli di deep learning. Sebbene le Reti Neurali Convoluzionali (CNN) e i Vision Transformer (ViT) abbiano dimostrato capacità di classificazione allo stato dell'arte, essi tipicamente mancano di interpretabilità. Inoltre, i metodi di localizzazione completamente supervisionati richiedono annotazioni costose a livello di pixel (ad esempio, maschere di segmentazione o bounding box), che sono difficili da acquisire su larga scala. Questo studio affronta la duplice sfida di raggiungere un'elevata accuratezza diagnostica senza etichette a livello di pixel, fornendo al contempo spiegazioni clinicamente significative e trasparenti per le decisioni del modello.

Metodologia
Gli autori propongono un framework di apprendimento debolmente supervisionato (WSL) unificato che utilizza solo etichette a livello di immagine (normale vs. polmonite) per eseguire sia la classificazione che la localizzazione spaziale. La metodologia principale prevede:

• Curatela del Dataset: Lo studio utilizza il dataset pubblico Chest X-ray [3]. Per prevenire la fuga di dati (data leakage), gli autori hanno ripartito i dati a livello di paziente (70% addestramento, 15% validazione, 15% test), garantendo che nessun ID paziente apparisse in più split. Le immagini sono state ridimensionate a 224×224, convertite in pseudo-RGB e aumentate con rotazioni, ribaltamenti, regolazioni di luminosità e rumore.
• Benchmarking del Modello: Sette architetture pre-addestrate sono state valutate sotto identiche condizioni di addestramento:
  • CNN: ResNet-18, ResNet-50, DenseNet-121, EfficientNet-B0, MobileNet-V2 e MobileNet-V3.
  • Transformer: Vision Transformer (ViT-B/16).
• Strategia di Addestramento: Tutti i modelli sono stati inizializzati con pesi ImageNet. Per affrontare il grave squilibrio delle classi (404 normali vs. 3.692 polmoniti), gli autori hanno impiegato la Focal Loss (per ridurre il peso dei campioni facili) e il sovracampionamento casuale della classe minoritaria. L'addestramento ha utilizzato l'ottimizzatore Adam con early stopping basato sulla ROC-AUC di validazione.
• Localizzazione tramite Grad-CAM: Per generare mappe di calore senza una verità fondamentale (ground truth) a livello di pixel, lo studio ha applicato la Gradient-weighted Class Activation Mapping (Grad-CAM).
  • Per le CNN, i gradienti sono stati calcolati dall'ultimo strato convoluzionale.
  • Per il ViT, la formulazione è stata adattata per catturare attivazioni e gradienti dall'ultimo blocco MLP dell'ultimo encoder transformer, trattando gli embedding dei patch come unità spaziali.
• Valutazione Quantitativa: Poiché non erano disponibili maschere a livello di pixel, è stato introdotto un Lung Attention Ratio (LAR). Questa metrica calcola la proporzione dell'energia di attivazione Grad-CAM che cade all'interno di una regione di interesse (ROI) polmonare grossolana e fissa, fungendo da proxy per la coerenza anatomica.

Risultati Chiave

• Prestazioni di Classificazione: Tutti i sette modelli hanno raggiunto prestazioni discriminatorie elevate, con accuratezze di test comprese tra il 96% e il 98%.
  • ResNet-18 ed EfficientNet-B0 hanno ottenuto l'accuratezza di test (98%) e gli F1-score (0,987) più elevati, con valori di ROC-AUC e PR-AUC superiori a 0,997.
  • MobileNet-V3 ha fornito un'accuratezza comparabile (97%) con un numero di parametri significativamente inferiore (4,9M), dimostrando la sua idoneità per ambienti con risorse limitate.
  • Modelli più profondi come ResNet-50 e DenseNet-121 hanno mostrato una generalizzazione leggermente inferiore, suggerendo un lieve overfitting.
• Localizzazione e Interpretabilità:
  • Le visualizzazioni Grad-CAM hanno confermato che i modelli si concentrano su opacità radiologicamente rilevanti nelle zone medie e inferiori dei polmoni nei casi di polmonite.
  • MobileNet-V3 ha esibito la localizzazione più compatta e priva di rumore, con un alto Lung Attention Ratio (LAR) di 0,693 per la polmonite batterica e una bassa varianza.
  • ViT-B/16 ha mostrato una forte discriminazione tra normale e polmonite batterica (LAR 0,172 vs. 0,605), ma ha mostrato pattern di attenzione più ampi e diffusi per la polmonite virale, coerentemente con i meccanismi di auto-attenzione globale.
  • DenseNet-121 ha mostrato occasionalmente attivazioni spurie nei casi normali, mentre EfficientNet-B0 e ResNet-50 hanno mostrato alcuni hotspot diffusi o fuori bersaglio.

Contributi Chiave

1. Benchmarking Rigoroso: Lo studio fornisce un confronto equo di sei architetture CNN e un Vision Transformer sotto identici protocolli di addestramento, incluso lo splitting dei dati per paziente per eliminare il leakage.
2. Localizzazione Debolmente Supervisionata: Dimostra che mappe di calore clinicamente significative possono essere generate utilizzando solo etichette a livello di immagine tramite Grad-CAM, eliminando la dipendenza da costose annotazioni a livello di pixel.
3. Interpretabilità Quantitativa: L'introduzione del Lung Attention Ratio (LAR) offre un metodo leggero e quantitativo per valutare la coerenza anatomica degli output dell'IA spiegabile in assenza di una segmentazione di ground-truth.
4. Analisi dell'Efficienza: Il lavoro identifica MobileNet-V3 come il miglior compromesso tra accuratezza diagnostica e costo computazionale, validando il suo potenziale per applicazioni sanitarie mobili, edge e in tempo reale.

Significato e Rivendicazioni
L'articolo sostiene che i metodi di deep learning spiegabili e debolmente supervisionati possano colmare efficacemente il divario tra la classificazione di immagini "black-box" e il supporto decisionale clinicamente interpretabile. Validando che i modelli si concentrano sulle regioni polmonari rilevanti senza l'addestramento alla segmentazione manuale, lo studio supporta l'uso di tali framework per migliorare la trasparenza e la fiducia clinica nello screening della polmonite assistito dall'IA. Gli autori concludono che le architetture compatte, quando combinate con la focal loss e lo splitting per paziente, possono raggiungere un'accuratezza vicina allo stato dell'arte pur rimanendo computazionalmente efficienti, facilitando la distribuzione in diversi contesti clinici.

Direzioni Future
Gli autori notano modestamente che la ricerca attuale è limitata a un singolo dataset. Suggeriscono che il lavoro futuro dovrebbe prevedere la valutazione su dataset più grandi e diversificati (ad esempio, RSNA Pneumonia, NIH ChestX-ray14) per aumentare la robustezza. Inoltre, propongono di esplorare la localizzazione di malattie toraciche multi-etichetta, studi di lettura con radiologi e ulteriori ottimizzazioni per la distribuzione mobile per rafforzare l'impatto traslazionale del framework.