An Explainable Vision-Language Model Framework with Adaptive PID-Tversky Loss for Lumbar Spinal Stenosis Diagnosis

Titolo: Un Framework di Modello Vision-Language Spiegabile con Loss PID-Tversky Adattiva per la Diagnosi di Stenosi del Canale Vertebrale Lombare

1. Il Problema e la Sfida Clinica

La diagnosi di Stenosi del Canale Vertebrale Lombare (LSS) rappresenta una sfida clinica critica. Attualmente, la diagnosi si basa sull'interpretazione manuale e laboriosa di immagini di Risonanza Magnetica (MRI) multi-vista, un processo soggetto a:

• Elevata variabilità inter- e intra-osservatore: Anche tra radiologi esperti, l'interpretazione manuale può variare significativamente.
• Squilibrio delle classi (Class Imbalance): I dataset medici presentano spesso una forte disparità tra casi "normali" (maggioranza) e casi patologici complessi o severi (minoranza).
• Limiti dei modelli attuali:
  • I modelli di deep learning tradizionali agiscono come "scatole nere", fornendo solo punteggi di classificazione o maschere pixel senza una giustificazione clinica trasparente.
  • Le funzioni di perdita standard (es. Cross-Entropy) trattano tutti gli esempi allo stesso modo, portando a un sovradattamento sulla classe maggioritaria e a una scarsa segmentazione dei casi minoritari difficili.
  • I modelli esistenti spesso perdono le gerarchie spaziali cruciali a causa di meccanismi di global pooling, compromettendo la precisione anatomica necessaria per delimitare i confini della stenosi.

2. Metodologia Proposta

Gli autori presentano un framework end-to-end multimodale Vision-Language (VLM) progettato per classificare la gravità, segmentare con precisione e generare report radiologici automatici. L'architettura si articola in cinque fasi principali:

• A. Pre-elaborazione e Generazione di Pseudo-Masche:

  • Applicazione di filtri di denoising Non-Local Means (NLM) per preservare i bordi anatomici.
  • Generazione di pseudo-mask adattive basate sui report clinici dei radiologi. Utilizzando thresholding di Otsu e rilevamento dei bordi di Canny, combinati con operazioni morfologiche (dilatazione/erosione) guidate dalla gravità descritta nel testo, il sistema crea ground-truth parziali affidabili.

• B. Estrazione di Caratteristiche Multimodali:

  • Integrazione di modelli VLM avanzati: LLaVA-Med, BiomedCLIP e SmolVLM.
  • Canale Testuale: I prompt clinici (descrizioni della gravità) vengono codificati in embedding semantici densi.
  • Canale Visivo: Invece di utilizzare il token globale [CLS] tipico dei VLM, il framework estrae direttamente gli embedding delle patch spaziali dal Vision Transformer (ViT). Questo preserva i dettagli spaziali locali critici per la segmentazione.

• C. Modulo di Attenzione Incrociata su Patch Spaziali (Spatial Patch Cross-Attention):

  • Un modulo personalizzato a 8 teste che fonde le informazioni testuali e visive.
  • Le embedding testuali fungono da Query (Q), mentre le patch spaziali dell'immagine fungono da Key (K) e Value (V).
  • Questo meccanismo permette una localizzazione guidata dal testo delle anomalie spinali, superando i limiti dei metodi di pooling globale.

• D. Funzione di Perdita PID-Tversky Adattiva:

  • Innovazione chiave per gestire lo sbilanciamento delle classi.
  • Integra i principi della teoria del controllo PID (Proporzionale-Integrale-Derivativo) con l'indice Tversky.
  • Il controller calcola dinamicamente un segnale di errore basato sui tassi di Falsi Positivi (FP) e Falsi Negativi (FN) durante l'addestramento.
  • Aggiorna automaticamente i pesi delle classi ($\alpha$ e $\beta$) per penalizzare maggiormente i casi difficili e sottorappresentati (es. stenosi moderate/severe), forzando la rete a concentrarsi sui bordi problematici.

• E. Generazione Automatica di Report Radiologici (ARRG):

  • Un modulo che traduce le maschere di segmentazione, le percentuali di area interessata e i logit di gravità in report clinici strutturati e leggibili, imitando lo stile di un radiologo.

3. Contributi Chiave

1. Framework Multimodale End-to-End: Integrazione di VLM all'avanguardia per classificazione, segmentazione e generazione di report, colmando il divario tra dati visivi e interpretazione clinica.
2. Loss Function PID-Tversky Adattiva: Una nuova funzione di perdita dinamica che risolve lo sbilanciamento delle classi nei dataset medici, migliorando l'estrazione di feature dai pattern di stenosi complessi.
3. Modulo di Attenzione su Patch Spaziali: Superamento dei metodi di pooling globale per mantenere le gerarchie spaziali, permettendo una localizzazione precisa delle anomalie guidata dal testo.
4. Interpretabilità Clinica: Trasformazione delle previsioni quantitative in report narrativi, rendendo il sistema "spiegabile" (XAI) e utile per la supervisione umana.

4. Risultati Sperimentali

Il framework è stato valutato su un dataset pubblico di 515 pazienti (48.345 immagini MRI) utilizzando tre modelli VLM.

• Classificazione Diagnostica:

  • LLaVA-Med ha ottenuto le prestazioni migliori con un'accuratezza del 90,69% e un F1-score macro di 0,9072.
  • BiomedCLIP ha raggiunto il 87,77% di accuratezza, mentre SmolVLM il 82,66%.
  • Tutti i modelli hanno mostrato un'eccellente capacità di discriminazione per i casi estremi (Grado A normale e Grado D severo), con AUC superiori a 0,99 per LLaVA-Med.

• Segmentazione:

  • LLaVA-Med ha ottenuto il miglior punteggio Dice di 0,9624 e un IoU di 0,9288.
  • BiomedCLIP ha mostrato una performance molto simile (Dice 0,9512) ma con una maggiore stabilità nella classificazione dei gradi intermedi (B&C).
  • L'uso della Loss PID-Tversky ha portato a miglioramenti drastici rispetto alla Cross-Entropy standard: ad esempio, per BiomedCLIP, il punteggio Dice è passato da 0,7411 a 0,9512 (+0,2101), dimostrando l'efficacia nel correggere lo sbilanciamento delle classi.

• Generazione di Report (ARRG):

  • LLaVA-Med ha eccelso nella fluidità linguistica (CIDEr: 92,80%, METEOR: 91,05%).
  • SmolVLM, sebbene più leggero, ha mostrato una sorprendente coerenza strutturale e una migliore sensibilità nella localizzazione implicita delle patologie severe (Dice Grado D: 0,9840), offrendo un'alternativa efficiente.
  • I report generati sono stati validati clinicamente, mostrando allineamento semantico con le valutazioni dei radiologi esperti.

5. Significato e Implicazioni

Questo studio rappresenta un passo avanti significativo verso l'IA spiegabile in ambito medico:

• Superamento della "Scatola Nera": Fornendo non solo una diagnosi, ma anche una segmentazione visiva e un report testuale giustificato, il sistema aumenta la fiducia dei clinici.
• Gestione dello Sbilanciamento: La proposta della Loss PID-Tversky offre una soluzione robusta al problema universale dello sbilanciamento dei dati medici, permettendo ai modelli di imparare efficacemente dai casi rari e complessi.
• Bilanciamento Efficienza-Precisione: Lo studio dimostra che modelli più grandi (LLaVA-Med) offrono la massima precisione, mentre modelli più leggeri (SmolVLM) possono offrire un compromesso accettabile per ambienti con risorse computazionali limitate, mantenendo una buona stabilità.
• Validazione Umana: Il framework è progettato per operare in un ciclo "human-in-the-loop", dove l'IA supporta il radiologo fornendo dati quantitativi e qualitativi, ma la decisione finale e la validazione rimangono responsabilità umana, garantendo sicurezza e conformità clinica.

In sintesi, il lavoro propone un approccio olistico che combina visione artificiale, elaborazione del linguaggio naturale e teoria del controllo per creare uno strumento di supporto decisionale clinico (CAD) sia accurato che interpretabile per la stenosi del canale vertebrale lombare.