ARIADNE: A Perception-Reasoning Synergy Framework for Trustworthy Coronary Angiography Analysis

Each language version is independently generated for its own context, not a direct translation.

Immagina di dover navigare in un labirinto complesso e buio: le arterie coronariche del cuore. Il compito di un medico è trovare i "colli di bottiglia" (le stenosi) che bloccano il flusso del sangue, proprio come trovare i blocchi in un tubo dell'acqua.

Fino a oggi, i computer facevano fatica a vedere questo labirinto in modo chiaro. Ecco come ARIADNE cambia le regole del gioco.

1. Il Problema: Il "Gatto e il Filo"

Immagina di dover disegnare un gatto su un foglio.

I vecchi computer erano bravissimi a colorare i pixel: se guardavi il disegno da vicino, sembrava perfetto. Ma se ti allontanavi, il gatto era fatto a pezzi! La coda non toccava il corpo, le zampe erano staccate.
In medicina, questo è un disastro. Se un computer vede un'arteria come una serie di puntini staccati, non può capire se il sangue scorre o se c'è un blocco. È come avere una mappa stradale dove le strade sono interrotte: non puoi guidare.

I computer attuali sono bravi a dire "questo è un vaso sanguigno" (semantica), ma sbagliano a dire "questo vaso è collegato a quello" (topologia).

2. La Soluzione: ARIADNE, la nuova guida

ARIADNE è un sistema intelligente diviso in due fasi, come un detective che prima osserva e poi ragiona. Il nome è un richiamo al Filo di Arianna nel mito del Minotauro: serve a tenere il filo collegato per non perdersi nel labirinto.

Fase 1: L'Osservatore (Percezione)

Prima di cercare i blocchi, il computer deve disegnare la mappa perfetta.

Il trucco: Invece di insegnare al computer a contare i pixel giusti, gli insegniamo a capire la continuità.
L'analogia: Immagina di addestrare un cane. Se gli dai un biscotto ogni volta che indovina il colore, impara il colore. Ma se gli dai un biscotto solo quando il cane segue la scia dell'odore senza interrompersi, impara a seguire il percorso.
ARIADNE usa una tecnica speciale (chiamata DPO) che premia il computer quando disegna l'arteria come un tubo intero e collegato, anche se qualche punto è un po' sfocato. Se il computer disegna un vaso spezzato, viene "rimproverato", anche se ha colorato bene i punti singoli.
Risultato: Il computer disegna alberi vascolari perfetti, senza buchi, proprio come un esperto cardiologo.

Fase 2: Il Navigatore (Ragionamento)

Ora che abbiamo una mappa perfetta, dobbiamo trovare i blocchi.

Il problema: A volte, le arterie si incrociano o si dividono (biforcazioni). Un computer stupido pensa: "Oh, qui il tubo si restringe, è un blocco!". In realtà, è solo un incrocio naturale. Questo crea falsi allarmi (come un allarme antifurto che suona per un gatto).
La soluzione: ARIADNE usa un agente intelligente (basato sul Rinforzo) che agisce come un medico esperto.
L'analogia: Immagina un ispettore che cammina lungo il tubo. Se vede un restringimento, si ferma e pensa: "Aspetta, è un blocco vero o è solo un incrocio?".
- Se è sicuro che è un blocco, lo segnala.
- Se è confuso (es. è un incrocio complicato), l'agente dice: "Non lo so, chiamo un umano".
Questo meccanismo di rifiuto è fondamentale. Invece di cercare di indovinare tutto (e sbagliare spesso), il sistema sceglie di essere sicuro. Se non è sicuro, passa il compito al medico. Questo riduce drasticamente i falsi allarmi che stancano i dottori.

3. I Risultati: Perché è un miracolo?

Hanno testato ARIADNE su 1.400 immagini reali di pazienti.

Precisione: Ha trovato i blocchi veri meglio di chiunque altro (86,7% di successo).
Falsi Allarmi: Ha ridotto gli errori del 41%. Significa che i medici devono controllare meno cose inutili e possono concentrarsi sui pazienti che ne hanno davvero bisogno.
Generalizzazione: Funziona bene anche con immagini prese da altri ospedali, non solo da quello dove è stato addestrato.

In sintesi

ARIADNE è come un assistente di volo per il cuore.

Non si limita a guardare i pixel (come una macchina fotografica), ma capisce la struttura (come un ingegnere).
Sa quando fermarsi e chiedere aiuto invece di inventarsi una diagnosi sbagliata.

Questo sistema colma il divario tra "vedere" un'immagine e "capire" la medicina, trasformando i dati grezzi in decisioni cliniche affidabili, salvando tempo e, potenzialmente, vite umane.

Each language version is independently generated for its own context, not a direct translation.

Titolo: ARIADNE: Un Framework di Sinergia Percezione-Ragionamento per l'Analisia Affidabile dell'Angiografia Coronarica

1. Il Problema: Il "Gap Semantico-Topologico"

L'analisi automatizzata dell'angiografia coronarica (XCA) affronta due sfide fondamentali che limitano l'adozione clinica:

Frammentazione Vascolare: Le funzioni di perdita tradizionali (es. Cross-Entropy, Dice Loss) ottimizzano l'accuratezza a livello di pixel ma ignorano i vincoli topologici. Ciò porta a modelli che producono alberi vascolari frammentati (rami distali scollegati), rendendo impossibile l'estrazione accurata della linea centrale e l'analisi emodinamica, nonostante un alto punteggio di sovrapposizione pixel.
Falsi Positivi e Mancanza di Ragionamento: I sistemi attuali trattano la segmentazione e il rilevamento delle stenosi come compiti indipendenti. Gli algoritmi geometrici deterministici non riescono a distinguere le stenosi patologiche da artefatti anatomici comuni (biforcazioni, incroci vascolari, accorciamento prospettico), generando alti tassi di falsi positivi. Inoltre, i modelli Foundation (VLM) generici, pur comprendendo semanticamente cosa sia un vaso, falliscono nel mantenere la continuità strutturale in immagini a basso contrasto.

2. Metodologia: Il Framework ARIADNE

ARIADNE (Anatomy-aware Reasoning for Integrated Angiography Diagnosis and Navigation Expert) è un framework a due stadi che combina Percezione e Ragionamento per allineare i modelli di intelligenza artificiale ai principi anatomici e clinici.

A. Modulo di Percezione (Segmentazione Topologicamente Coerente)
Utilizza il modello fondazionale Vision-Language Sa2VA (basato su InternViT-6B e InternLM2) e lo adatta attraverso una strategia di training progressiva in tre fasi:

Allineamento Visivo (Stage 1): Addestramento supervisionato con Low-Rank Adaptation (LoRA) per riconoscere i contorni vascolari di base.
Allineamento Preferenziale con DPO (Stage 2): Questo è il cuore dell'innovazione. Viene applicata l'Ottimizzazione Diretta delle Preferenze (Direct Preference Optimization - DPO). Invece di massimizzare solo la sovrapposizione dei pixel, il modello viene addestrato a preferire segmentazioni che soddisfano vincoli topologici (es. un numero di Betti $\beta_0 = 1$ $β_{0} = 1$ , indicante un singolo componente connesso).
- Meccanismo: Vengono create coppie di preferenze dove la "vittoria" è data alla maschera connessa e la "sconfitta" a maschere con alto punteggio Dice ma frammentate. Questo insegna al modello che la continuità strutturale è più importante della pura copertura dei pixel.
Training Focalizzato su Campi Difficili (HSFT - Stage 3): Per gestire regioni anatomicamente complesse (biforcazioni, vasi distali sottili), il sistema concentra le risorse computazionali su un subset di "campioni difficili" (quelli con basso punteggio iniziale), utilizzando una funzione di perdita ibrida (Dice + Cross-Entropy) per affinare i confini.

B. Modulo di Ragionamento (Rilevamento Stenosi basato su RL)
Una volta ottenuta una mappa vascolare topologicamente coerente, un agente basato su Reinforcement Learning (RL) esegue il rilevamento delle stenosi:

Formulazione MDP: Il rilevamento è modellato come un Processo Decisionale di Markov (MDP). L'agente naviga lungo lo scheletro del vaso analizzando i gradienti di raggio e la curvatura.
Meccanismo di Rifiuto Esplicito: L'agente ha un'azione specifica "Reject". Se un candidato (es. una biforcazione) sembra una stenosi ma è ambiguo, l'agente può rifiutare la diagnosi e passare al successivo, evitando falsi positivi. Questo sposta il paradigma dalla massimizzazione della copertura alla massimizzazione dell'affidabilità.
Funzione di Ricompensa: Penalizza severamente i falsi negativi (mancato rilevamento di una stenosi reale) e i falsi positivi, premiando invece la corretta identificazione e il rifiuto degli artefatti anatomici.

3. Risultati Chiave

Il framework è stato validato su 1.400 angiogrammi clinici e su dataset esterni (ARCADE, XCAD).

Segmentazione:
- ARIADNE ha raggiunto un clDice (Centerline Dice) di 0.838, stato dell'arte rispetto ai metodi basici e ai foundation model generici.
- Ha superato significativamente MedSAM3 (un modello fondazionale generico), che ha mostrato un clDice di soli 0.7105, confermando che la semplice scalabilità del modello non risolve il problema topologico senza allineamento specifico.
- Riduzione del 41% dei falsi positivi rispetto alle basi geometriche.
Rilevamento Stenosi:
- TPR (Sensibilità): 0.867 (superiore a tutti i baseline).
- PPV (Precisione): 0.634.
- FPPI (Falsi Positivi per Immagine): Ridotto a 0.85 (contro 1.89–2.45 dei metodi precedenti), dimostrando l'efficacia del meccanismo di rifiuto nel ridurre l'affaticamento da allarmi.
Generalizzazione: Le prestazioni sono rimaste robuste su dataset esterni con protocolli di acquisizione diversi, indicando una buona capacità di generalizzazione.

4. Contributi Principali

Prima applicazione di DPO in Imaging Medico: Introduce l'uso dell'Ottimizzazione Diretta delle Preferenze per allineare i modelli di visione con vincoli topologici (connettività vascolare) invece che solo con metriche di sovrapposizione pixel.
Architettura Ibrida Percezione-Ragionamento: Dimostra che una segmentazione topologicamente corretta è un prerequisito necessario per un ragionamento diagnostico affidabile.
Meccanismo di Rifiuto Clinico: Integra un meccanismo di "abstention" (rifiuto) nell'agente RL, mimando il flusso di lavoro clinico dove i casi ambigui vengono deferiti a un revisore umano, migliorando la sicurezza del sistema.
Efficienza Computazionale: La strategia di training focalizzato sui campioni difficili (HSFT) garantisce prestazioni robuste concentrandosi solo sul 20.8% dei dati più critici.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti cruciale nell'automazione della cardiologia interventistica.

Superamento del Gap Semantico-Topologico: Dimostra che i modelli fondazionali generici non sono sufficienti per compiti medici che richiedono integrità geometrica; devono essere allineati con principi anatomici specifici tramite tecniche come il DPO.
Affidabilità Clinica: Spostando l'obiettivo dalla semplice "copertura" alla "affidabilità" (tramite il rifiuto dei casi ambigui), il sistema riduce il carico di falsi allarmi, rendendo l'AI uno strumento di supporto decisionale praticabile e sicuro.
Scalabilità: La metodologia suggerisce che l'integrazione di conoscenze anatomiche nei framework di ottimizzazione è più efficace della semplice scalabilità dei parametri del modello.

In sintesi, ARIADNE non si limita a "vedere" i vasi sanguigni, ma "ragiona" sulla loro struttura e validità anatomiche, fornendo un approccio olistico e clinicamente valido per la diagnosi delle malattie coronariche.