Sintesi Tecnica: Apprendimento Multi-Modale Guidato da Prior Clinici per lo Screening della Scoliosi Basato sul Cammino

Definizione del Problema

La Scoliosi Idiopatica dell'Adolescente (AIS) è una deformità spinale prevalente che richiede un rilevamento precoce per mitigare la progressione. Gli attuali metodi di screening, come il Test di Adams in avanti, soffrono di soggettività, inconsistenza e una dipendenza da competenze cliniche specializzate, rendendo difficile la scalabilità. Sebbene la computer vision offra delle alternative, gli appronsi basati sul video esistenti affrontano tre criticità fondamentali:

1. Data Leakage (Perdita di Dati): Molti dataset di riferimento contengono clip ripetute degli stessi individui sia nei set di addestramento che in quelli di test, portando a metriche di performance gonfiate dove i modelli memorizzano tratti specifici del soggetto anziché apprendere pattern patologici generalizzabili.
2. Mancanza di Interpretabilità: I modelli di deep learning per l'analisi del cammino spesso funzionano come "black box", fallendo nel fornire la trasparenza clinica necessaria per l'adozione da parte dei professionisti.
3. Fusione Oversemplificata: Gli attuali metodi multi-modali spesso impiegano meccanismi di fusione semplicistici che non riescono a catturare le sfumature tra i pattern cinematici e i prior clinici.

Inoltre, i dataset esistenti si affidano spesso a etichette di screening fisico soggette a errori, piuttosto che al gold standard radiografico (Angolo di Cobb).

Metodologia

1. Il Dataset ScoliGait

Per affrontare i problemi di qualità e leakage dei dati, gli autori introducono ScoliGait, un nuovo benchmark costruito con protocolli rigorosi:

• Composizione: 1.572 clip di addestramento derivate da 550 adolescenti unici e un set di test tenuto separato di 300 clip provenienti da 300 individui diversi non visti durante l'addestramento.
• Verità Fondamentale (Ground Truth): Le etichette si basano sulle misurazioni radiografiche dell'Angolo di Cobb, il gold standard clinico, con una soglia di 10 gradi per la diagnosi positiva.
• Annotazioni Multi-Modali: Ogni clip include:
  • Video: 1080p, 30Hz, che cattura cicli completi di camminata.
  • Mappa della Conoscenza Cinematica: Una rappresentazione strutturata di 238 feature nello spazio del movimento, nello spazio dello scheletro e nella correlazione incrociata del segnale.
  • Testo Clinico: Descrizioni testuali generate automaticamente dei pattern di cammino basate su analisi statistiche di gruppo e prior clinici (ad esempio, "oscillazione asimmetrica delle braccia nei tipi di curva toracica").

2. Mappa della Conoscenza Cinematica

Gli autori propongono una mappa della conoscenza cinematica guidata da prior clinici per codificare la dinamica olistica del cammino.

• Estrazione delle Feature: Vengono calcolate 238 feature, inclusi i distanze accoppiate tra le articolazioni (Euclidea), angoli inter-segmentali ( trigonometrici) e coordinazione temporale (correlazione incrociata del segnale).
• Interpretabilità: Questa mappa funge da "dizionario leggibile dall'uomo". Durante l'inferenza, i punteggi di attenzione del modello vengono mappati nuovamente su questa struttura, consentendo ai clinici di identificare le specifiche feature cinematiche (ad esempio, asimmetria o dinamica articolare) che guidano la decisione, anziché fare affidamento sulla semplice attenzione ai pixel grezzi.

3. Architettura del Modello: Latent Attention Pooling

Il framework proposto integra tre modalità (Video, Mappa della Conoscenza, Testo) utilizzando un meccanismo di fusione specializzato:

• Encoder:
  • Testo: Sentence-Transformers (all-MiniLM-L6-v2).
  • Video e Mappa della Conoscenza: Backbone Vision Transformer (ViT) con metodi di patch embedding distinti.
• Latent Attention Pooling: Ispirandosi agli avanzati embedding dei modelli linguistici (ad esempio, NV-Embed), gli autori sostituiscono il normale average pooling con un livello di latent attention pooling. Questo utilizza un dizionario latente apprendibile che interroga la sequenza di input tramite cross-attention.
• Fusione: Questo meccanismo genera embedding olistici altamente espressivi che catturano meglio le rappresentazioni clinicamente salienti rispetto al pooling standard, facilitando una fusione multi-modale superiore.
• Allineamento: Gli embedding posizionali sono esplicitamente allineati tra la mappa della conoscenza e le modalità video per garantire la corrispondenza temporale.

Risultati Chiave

Performance sullo Screening Binario

Valutato sul set di test indipendente dal soggetto, l'approccio multi-modale proposto ha stabilito un nuovo stato dell'arte:

• Migliore Configurazione (Mappa della Conoscenza + Video + Testo): Ha raggiunto il 70,0% di Accuratezza e un F1-score del 61,9%.
• Confronto tra Modalità: La Mappa della Conoscenza da sola ha superato il modello Video grezzo (58,0% vs 56,3% di Accuratezza), dimostrando che le rappresentazioni cinematiche strutturate sono più discriminanti per questo compito rispetto alle feature visive grezze.
• Impatto della Fusione: L'integrazione della Mappa della Conoscenza con il Video ha migliorato significativamente le prestazioni rispetto alle singole modalità. L'aggiunta del testo clinico ha ulteriormente potenziato l'F1-score per la classe positiva.
• Confronto con i Baseline: I modelli esistenti come ScoNet-MT hanno mostrato una accuratezza complessiva comparabile ma una sensibilità (Recall) significativamente inferiore per la classe positiva (ad esempio, un recall del 5,4% in una configurazione), indicando un fallimento nell'identificare correttamente i casi di scoliosi.

Spiegabilità

Il sistema fornisce intuizioni granulari e clinicamente interpretabili:

• A differenza delle convenzionali mappe di calore dell'attenzione sugli scheletri, la Mappa della Conoscenza consente l'estrazione di specifiche feature cinematiche con alta risoluzione temporale.
• Il modello può evidenziare specifici periodi temporali e variabili cliniche (ad esempio, la sincronizzazione degli arti) che contribuiscono alla diagnosi, colmando il divario tra il ragionamento algoritmico e il giudizio clinico.

Significato e Rivendicazioni

Il documento sostiene di fornire una base robusta, interpretabile e clinicamente fondata per uno screening non invasivo e scalabile della AIS. I suoi contributi primari sono:

1. Valutazione Affidabile: Eliminando il data leakage attraverso un set di test strettamente indipendente dal soggetto e utilizzando etichette basate sul gold standard radiografico, ScoliGait offre un benchmark realistico per valutare la generalizzazione.
2. Interpretabilità: La mappa della conoscenza guidata dai prior clinici va oltre le feature "black-box", offrendo un framework strutturato che traduce le decisioni del modello in un'analisi del movimento azionabile e comprensibile per il clinico.
3. Fusione Avanzata: Il meccanismo di latent attention pooling dimostra che le tecniche di embedding avanzate, tipicamente utilizzate nei modelli linguistici, possono migliorare significativamente la fusione di dati medici eterogenei (video, cinematica strutturata e testo) per l'analisi di movimenti complessi.

Gli autori concludono che questo lavoro affronta le limitazioni fondamentali degli attuali screening basati sul video — affidabilità dei dati, opacità del modello e complessità di integrazione — aprendo la strada a un deployment clinico più efficace. Il codice è programmato per il rilascio al momento della pubblicazione.