Gradient based Severity Labeling for Biomarker Classification in OCT

Questo lavoro propone una strategia di apprendimento contrastivo supervisionato per immagini OCT, che genera etichette di gravità della malattia basate sui gradienti di un algoritmo di rilevamento delle anomalie per migliorare l'accuratezza nella classificazione dei biomarcatori della retinopatia diabetica senza ricorrere ad aumentazioni arbitrarie.

L'essenziale

Immagina di dover insegnare a un bambino a riconoscere le malattie degli occhi (in particolare la Retinopatia Diabetica) guardando delle foto speciali chiamate OCT. Queste foto sono come "fette di panino" molto sottili del fondo dell'occhio, che mostrano strutture microscopiche.

Il problema è che per insegnare a un computer a vedere queste malattie, servono migliaia di foto etichettate da esperti medici. Ma gli esperti sono pochi, costosi e il loro tempo è prezioso. Quindi, abbiamo molte foto "senza etichetta" (il computer non sa se c'è una malattia o no) e poche foto "con etichetta".

Il Problema: "Tagliare la torta" a caso

Fino a poco tempo fa, i ricercatori usavano un metodo chiamato Apprendimento Contrastivo. Immagina di prendere una foto dell'occhio, farle un po' di "trucco" (girarla, cambiarle i colori, sfocarla un po') e dire al computer: "Ehi, questa è la stessa foto, ma un po' diversa!". Poi prendi un'altra foto qualsiasi e dici: "Questa è diversa".

Il problema? In una foto normale (come un paesaggio), sfocare un po' va bene. Ma in una foto medica, quei piccoli dettagli (le "biomarcatori" o segni della malattia) sono minuscoli. Se sfumi la foto o la giri, potresti cancellare proprio il segno della malattia che stai cercando di insegnare al computer a vedere! Sarebbe come cercare di insegnare a qualcuno a riconoscere un insetto specifico su un fiore, ma mentre spieghi, soffri il fiore così forte che l'insetto sparisce.

La Soluzione: La "Scheda di Gravità"

Gli autori di questo paper hanno avuto un'idea geniale: invece di modificare le immagini a caso, perché non le ordiniamo in base a quanto sono "malate"?

Hanno creato un sistema che assegna a ogni foto una "Scheda di Gravità" (un punteggio da 1 a 100, per intenderci).

• Punteggio basso: L'occhio è sano, tutto perfetto.
• Punteggio alto: L'occhio mostra segni di malattia.

Come fanno a sapere il punteggio senza un medico?
Usano un trucco matematico basato sui "Gradienti".
Immagina che il computer sia un cuoco che sta imparando a cucinare piatti sani (occhi sani). Quando vede un occhio sano, il cuoco pensa: "Sì, questo è quello che mi aspetto, non devo cambiare nulla nel mio libro di ricette".
Ma quando vede un occhio malato, il cuoco deve fare un grande sforzo mentale per capire come aggiustare la ricetta. Questo "sforzo" (il gradiente) è enorme.

• Più il computer deve "sforzarsi" per capire l'immagine, più l'immagine è malata (punteggio alto).
• Meno si sforza, più l'immagine è sana (punteggio basso).

Il Metodo: Raggruppare per "Livello di Gravità"

Una volta che hanno dato un punteggio a tutte le foto (anche quelle senza etichetta), fanno questo:

1. Prendono tutte le foto e le mettono in fila dal punteggio più basso al più alto.
2. Tagliano la fila in tanti piccoli gruppi (chiamati "bin"). Ad esempio, 10.000 gruppi.
3. A tutti i gruppi che hanno un punteggio simile, danno un'etichetta temporanea (es. "Gruppo Malattia Leggera", "Gruppo Malattia Media", ecc.).

Ora, invece di dire al computer "Questa foto è uguale a quella girata", dicono: "Metti insieme tutte le foto che hanno lo stesso livello di gravità".
È come dire a un bambino: "Metti insieme tutti i disegni che hanno un po' di pioggia, e metti insieme quelli che hanno un temporale". Questo aiuta il cervello del computer a capire meglio le sfumature della malattia.

Il Risultato: Un Super-Rilevatore

Dopo aver addestrato il computer con questo metodo "intelligente" sulle migliaia di foto senza etichetta, lo hanno fatto allenare un po' sulle poche foto con le etichette vere (quelle dei medici).

Il risultato? Il computer è diventato molto più bravo a riconoscere i segni della malattia rispetto ai metodi precedenti. Ha migliorato la sua precisione fino al 6% in più.

In Sintesi

Invece di insegnare al computer guardando le stesse foto con filtri casuali (che potrebbero nascondere i dettagli importanti), gli hanno detto: "Guarda queste foto e ordinale da 'sano' a 'malato'. Raggruppa quelle simili tra loro".
Questo approccio, basato su quanto l'immagine "sembra strana" rispetto alla norma, ha permesso di creare un sistema di intelligenza artificiale molto più preciso per aiutare i medici a curare la cecità causata dal diabete.

È come passare da un metodo di studio dove si ripete a memoria a caso, a uno dove si studia per "livelli di difficoltà", rendendo l'apprendimento molto più efficace.

Sommario tecnico

Titolo: Etichettatura della Gravità Basata sui Gradienti per la Classificazione dei Biomarcatori in OCT

1. Problema e Contesto

La Retinopatia Diabetica (DR) è una delle principali cause di cecità irreversibile. La diagnosi e il trattamento richiedono l'identificazione precisa di biomarcatori specifici (come fluidi intraretinici, essudati, ecc.) nelle immagini OCT (Tomografia a Coerenza Ottica).
Il principale ostacolo all'automazione di questo compito tramite Deep Learning è la scarsità di dati etichettati. L'annotazione richiede esperti medici, rendendo i dataset etichettati piccoli e costosi, mentre grandi quantità di dati non etichettati sono disponibili.
Le tecniche di Contrastive Learning (apprendimento contrastivo) sono state proposte per sfruttare i dati non etichettati, ma le strategie tradizionali (basate su immagini naturali) presentano limiti nel dominio medico:

• Le augmentazioni arbitrarie (es. sfocatura gaussiana, rotazioni) utilizzate per creare coppie positive possono distorcere o oscurare regioni localizzate critiche contenenti i biomarcatori, rendendo l'apprendimento inefficace.
• Non esiste una garanzia che immagini diverse, se aumentate, rappresentino la stessa condizione patologica.

2. Metodologia Proposta

Gli autori propongono una strategia di selezione delle coppie positive basata sulla gravità della malattia piuttosto che su augmentazioni geometriche o di colore. L'idea centrale è che immagini con un livello di gravità simile condividano caratteristiche strutturali comuni legate alla progressione della malattia.

Il framework si articola in tre fasi principali:

A. Generazione di Etichette di Gravità Pseudo (Severity Labels)

1. Apprendimento della Distribuzione Sana: Viene addestrato un autoencoder utilizzando un dataset di immagini OCT "sane" (Kermany dataset) tramite la metodologia GradCON. Durante l'addestramento, viene introdotta una vincolo sui gradienti per allinearli tra le immagini sane.
2. Calcolo del Punteggio di Gravità (Severity Score - SS): Per ogni immagine non etichettata del dataset target, viene calcolato un punteggio di gravità basato sulla risposta del modello:
   $$SS = -L_{recon} + \alpha L_{grad}$$
   Dove $L_{recon}$ è l'errore quadratico medio di ricostruzione e $L_{grad}$ è la similarità coseno tra i gradienti dell'immagine target e i gradienti di riferimento appresi dalle immagini sane. Un punteggio più alto indica che l'immagine è più "anomala" (più lontana dalla distribuzione sana).
3. Binning (Discretizzazione): I punteggi di gravità vengono ordinati e suddivisi in $N$ bin (fascie). Le immagini nello stesso bin ricevono la stessa etichetta di gravità pseudo (SL). Questo trasforma i dati non etichettati in un dataset parzialmente etichettato basato sulla severità.

B. Apprendimento Contrastivo Supervisionato

• Viene addestrato un encoder (ResNet-18) utilizzando una Loss Contrastiva Supervisionata (Supervised Contrastive Loss).
• Le immagini con la stessa etichetta di gravità (SL) vengono trattate come coppie positive (avvicinate nello spazio delle embedding), mentre quelle con etichette diverse sono coppie negative (allontanate).
• Questo processo crea uno spazio di rappresentazione più robusto che raggruppa le immagini in base alla loro struttura patologica.

C. Fine-tuning per la Classificazione

• Dopo l'addestramento dell'encoder, viene aggiunto un layer lineare.
• Il modello viene fine-tunato utilizzando il piccolo set di dati con etichette reali dei biomarcatori (presenza/assenza) per la classificazione finale.

3. Contributi Chiave

1. Nuova Strategia di Selezione delle Coppie: Introduzione di un metodo per generare etichette di gravità pseudo per immagini OCT non etichettate basandosi sulle risposte dei gradienti di un algoritmo di rilevamento delle anomalie, evitando le distorsioni delle augmentazioni tradizionali.
2. Framework Ibrido: Integrazione di dati sani, dati non etichettati (per l'apprendimento della severità) e dati etichettati (per il fine-tuning) in un unico flusso di lavoro che migliora la rappresentazione delle caratteristiche.
3. Interpretabilità Semantica: Dimostrazione che i cluster generati dalle etichette di gravità corrispondono a livelli reali di anomalia e progressione della malattia, rendendo il processo semanticamente interpretabile.

4. Risultati Sperimentali

Il metodo è stato valutato su due dataset (Prime + TREX DME) per la classificazione binaria di 5 biomarcatori (IRF, DME, IRHRF, FAVF, PAVF) e in un setting di classificazione multi-etichetta.

• Performance: Il metodo proposto (SL - Severity Labeling) ha superato tutti i baseline state-of-the-art di apprendimento auto-supervisionato (SimCLR, PCL, MoCo v2).
  • Miglioramento: Si è osservato un miglioramento fino al 6% nella classificazione dei biomarcatori chiave rispetto ai baseline.
  • Metrica Multi-Label: Il punteggio medio AUC è stato di 0.774 per il metodo proposto (SL5000), contro 0.754 per SimCLR e 0.769 per MoCo v2.
• Ottimizzazione dei Bin (N): È stato studiato l'impatto del numero di bin ($N$).
  • Valori moderati (5000-10000) hanno offerto le migliori prestazioni generali.
  • Valori più alti (15000-20000) hanno funzionato meglio per biomarcatori specifici e distintivi come DME e IRF, suggerendo che una granularità maggiore aiuta a catturare sfumature specifiche.
• Ablation Study: Confrontando diversi metodi di rilevamento delle anomalie (MSP, ODIN, Mahalanobis) per generare i punteggi di gravità, il metodo basato sui gradienti (GradCON) ha ottenuto il miglior risultato (0.774 AUC), superando le altre tecniche.

5. Significato e Impatto

Questo lavoro è significativo per il dominio medico perché:

• Risolve il problema delle augmentazioni dannose: Sostituisce le trasformazioni geometriche arbitrarie con una selezione basata sulla fisiopatologia (gravità della malattia), preservando le piccole regioni critiche dei biomarcatori.
• Sfrutta i dati non etichettati in modo intelligente: Trasforma un vasto pool di dati non etichettati in una risorsa strutturata per l'apprendimento contrastivo, riducendo la dipendenza da costose annotazioni esperte.
• Generalizzabilità: La metodologia può essere applicata ad altri compiti di classificazione medica dove la progressione della malattia può essere quantificata come un grado di anomalia rispetto a una classe sana.

In sintesi, gli autori dimostrano che definire la "gravità" come il grado di anomalia rispetto alla distribuzione sana, misurato attraverso i gradienti del modello, crea uno spazio di rappresentazione superiore per la classificazione dei biomarcatori retinici.