A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD

Riepilogo Tecnico: Un Framework Robusto di Adattamento di Dominio Non Supervisionato per la Classificazione di Immagini Mediche basato su RKHS-MMD

Enunciato del Problema
Il documento affronta il collo di bottiglia critico della etichettatura delle immagini mediche, un processo laborioso, costoso e che richiede competenze specialistiche di dominio. Questa scarsità di dati annotati è aggravata da "spostamenti di dominio" e "discrepanze di modalità" derivanti da variazioni nei dispositivi di imaging, nei protocolli di acquisizione e nei centri medici. Queste eterogeneità causano differenze significative nelle distribuzioni delle caratteristiche tra i dataset sorgente (annotati) e target (non annotati), portando a una scarsa generalizzazione dei modelli di apprendimento automatico addestrati esclusivamente sui dati sorgente. Sebbene l'Adattamento di Dominio Non Supervisionato (UDA) offra una soluzione sfruttando i dati target non annotati, i metodi esistenti spesso faticano con la natura complessa e non lineare delle distribuzioni delle immagini mediche.

Metodologia
Gli autori propongono un framework UDA che integra l'apprendimento per trasferimento con una funzione di perdita basata sulla Discrepanza della Media Massima (MMD) nello Spazio di Hilbert a Kernel Riproducente (RKHS). La metodologia di base comprende:

1. Architettura: Il framework utilizza EfficientNetV2 come backbone per l'estrazione delle caratteristiche. Il modello elabora sia i dati sorgente annotati che i dati target non annotati.
2. Ottimizzazione Congiunta: Il modello viene addestrato minimizzando una funzione di perdita combinata:
   $$L = L_{CLASS} + \sum_{i=1}^{t} \lambda_i L_{MMD}$$
   • $L_{CLASS}$ (Perdita di Classificazione): Una perdita di entropia incrociata standard applicata al dominio sorgente annotato per garantire previsioni accurate.
   • $L_{MMD}$ (Perdita RKHS-MMD): Una metrica di discrepanza calcolata all'interno di un RKHS per allineare le distribuzioni delle caratteristiche dei domini sorgente e target.
3. Formulazione RKHS: A differenza della MMD standard che può fare affidamento su kernel fissi, il metodo proposto incorpora i dati in un RKHS utilizzando un kernel Gaussiano. Ciò consente l'allineamento delle distribuzioni in uno spazio delle caratteristiche ad alta dimensionalità (potenzialmente a dimensionalità infinita). La perdita MMD empirica minimizza la distanza quadrata tra le incorporazioni medie delle distribuzioni sorgente ($\mu_S$) e target ($\mu_T$):
   $$L_{MMD} = \|\mu_S - \mu_T\|_H^2$$
   Questa formulazione mira a catturare sia le discrepanze di media e varianza, sia le relazioni non lineari complesse, che sono prevalenti nell'imaging medico.

Contributi Chiave

• Integrazione RKHS-MMD: Il documento introduce l'applicazione della MMD basata su RKHS specificamente per la classificazione di immagini mediche, sostenendo che offre uno spazio di incorporamento più versatile rispetto alla MMD standard per gestire distribuzioni di caratteristiche intricate.
• Adattamento Non Supervisionato: Il framework opera senza richiedere etichette per il dominio target, affrontando il vincolo del mondo reale in cui i dati target sono spesso non annotati.
• Analisi Comparativa: Lo studio fornisce un confronto diretto tra RKHS-MMD, MMD standard e Deep CORAL, evidenziando i vantaggi teorici dell'RKHS nella cattura di discrepanze di distribuzione di ordine superiore.

Risultati Sperimentali
Il framework è stato valutato su due dataset di radiografie del torace provenienti da diversi centri medici:

• Dominio Sorgente: 5.232 radiografie del torace pediatriche (Normale e Polmonite) da un dataset pubblico.
• Dominio Target: 4.584 radiografie del torace da uno studio diverso ("Classificazione e rinvio basati sull'apprendimento profondo di malattie umane trattabili"), che rappresenta uno spostamento di dominio distinto.

Metriche di Prestazione:

• Selezione del Modello: EfficientNetV2 ha superato EfficientNet, ResNet, AlexNet e VGG19, ottenendo la massima accuratezza su entrambi i domini.
• Accuratezza nel Dominio Target: L'approccio RKHS-MMD proposto ha raggiunto un'accuratezza del 77,45% sul dominio target non annotato.
• Confronto:
  • RKHS-MMD: 77,45% di Accuratezza.
  • MMD Standard: 72,01% di Accuratezza.
  • Deep CORAL: 54,88% di Accuratezza.
• Analisi della Perdita: Il metodo RKHS-MMD ha dimostrato la perdita di classificazione più bassa (0,0014) e la perdita MMD più bassa (0,1092) tra i metodi confrontati, indicando un allineamento delle caratteristiche superiore e una capacità discriminativa migliore.
• Prestazioni per Classe: Il modello ha raggiunto un Macro F1 Score di 0,77. Nello specifico, ha mostrato un richiamo elevato per la Polmonite (1,00) ma un richiamo inferiore per i casi Normali (0,68), risultando in un F1 specifico per classe di 0,72 per la Polmonite e 0,81 per i casi Normali.

Significato e Affermazioni
Il documento afferma che il framework RKHS-MMD proposto colma efficacemente il divario tra i domini sorgente e target nell'imaging medico riducendo le discrepanze di modalità senza annotazione manuale. Gli autori sostengono che RKHS-MMD supera la MMD standard e Deep CORAL perché può modellare spostamenti complessi e non lineari e momenti di ordine superiore (oltre alla sola covarianza) intrinseci nei dati medici. Lo studio conclude che questo approccio migliora la generalizzazione dei sistemi diagnostici guidati dall'IA, rendendoli più robusti attraverso diversi centri medici e dispositivi di imaging. Gli autori notano che, sebbene la valutazione attuale sia limitata alla classificazione binaria, il metodo è estendibile a contesti multiclasse per un'applicazione clinica più ampia.