CT-IDP: Segmentation-Derived Quantitative Phenotypes for Interpretable Abdominal CT Disease Classification

Riepilogo Tecnico: CT-IDP – Fenotipi Quantitativi Derivati dalla Segmentazione per la Classificazione Interpretabile delle Malattie Addominali da TC

Enunciato del Problema
L'aumento del volume delle scansioni TC addominali rende necessari metodi robusti e automatizzati di diagnosi assistita al computer che generalizzino attraverso scanner, protocolli e istituzioni diversi. Sebbene i modelli di deep learning (CNN, transformer visivi e modelli linguaggio-visivo) abbiano raggiunto prestazioni elevate nei benchmark, spesso si basano su "apprendimento per scorciatoia", privilegiando caratteristiche di aspetto dominanti per la texture rispetto a manifestazioni quantitative e stabili della malattia. Questa limitazione è particolarmente critica per i reperti radiologici definiti da anatomia misurabile – come dimensioni degli organi, calibro vascolare, attenuazione dei tessuti o carico calcifico – dove l'espressione della malattia è quantitativa piuttosto che puramente testuale. Inoltre, gli approcci tradizionali di radiomica sono tipicamente centrati sulla lesione e sensibili ai kernel di ricostruzione e al rumore, mancando di un quadro unificato per l'applicazione trasversale alle malattie.

Metodologia
Gli autori propongono CT-IDP (Fenotipi Derivati dalle Immagini TC), un quadro che attua una formulazione centrata sull'anatomia per la classificazione multi-etichetta delle TC addominali. La metodologia procede attraverso quattro fasi chiave:

1. Segmentazione ed Estrazione di Descrittori:

   • Vengono generate segmentazioni multi-organo utilizzando TotalSegmentator e mappate sulla griglia nativa dell'immagine TC.
   • Vengono calcolati oltre 900 descrittori a livello di organo e compartimento nello spazio dell'immagine nativa, utilizzando i metadati sulla spaziatura dei voxel per garantire unità fisiche.
   • Questi descrittori sono suddivisi in tre famiglie:
     • Morfometria: Volume, diametro, area superficiale e rapporti di forma.
     • Attenuazione: Riepiloghi del primo ordine in HU, contrasti inter-organo e stime del carico.
     • Contestuale/Carico: Occupazione normalizzata per cavità e rapporti compositi.

2. Modellazione Sparsa Specifica per Malattia:

   • Invece di una singola rete profonda end-to-end, viene addestrato un modello separato di regressione logistica sparsa per ogni reperto target utilizzando un regolarizzatore elastic-net.
   • Le caratteristiche vengono selezionate mediante validazione incrociata stratificata a 5 fold sul set di sviluppo MERLIN. I descrittori altamente correlati vengono filtrati e i valori mancanti vengono imputati utilizzando le statistiche riassuntive del dataset.
   • La specifica finale del modello (descrittori, regole di imputazione, parametri di scalatura e coefficienti) viene "bloccata" e applicata identicamente ai dataset esterni senza riaddestramento.

3. Benchmarking:

   • CT-IDP viene confrontato con una baseline basata su un transformer visivo (ViT) fondato su DINOv3.
   • La baseline ViT viene addestrata sugli stessi dati di sviluppo MERLIN, utilizzando clipping dell'intensità, ricampionamento e uno schema di codifica a tre slice per aggregare gli embedding a livello di slice in previsioni a livello di studio.

4. Strategia di Valutazione:

   • Dataset: Sviluppo sul benchmark pubblico MERLIN (15.175 studi di addestramento, 5.018 di validazione, 5.082 di test). Validazione esterna su un dataset istituzionale privato (n=2.000) e sul dataset pubblico AMOS (n=1.107).
   • Etichette: Le etichette a livello di studio sono derivate dai referti radiologici (utilizzando NLP assistito da LLM per il dataset privato) e mappate sulla libreria dei fenotipi.
   • Metriche: AUC macro e Precisione Media (AP) con intervalli di confidenza al 95% ottenuti tramite bootstrap.

Risultati Chiave

• Prestazioni Complessive: CT-IDP ha superato la baseline DINOv3 su tutti e tre i dataset per quanto riguarda AUC macro e AP macro.
  • MERLIN: CT-IDP AUC 0,897 vs ViT 0,880.
  • Istituzionale Privato: CT-IDP AUC 0,877 vs ViT 0,857.
  • AMOS: CT-IDP AUC 0,780 vs ViT 0,756.
• Prestazioni Specifiche per Regime:
  • Superiorità di CT-IDP: Il modello quantitativo ha dimostrato guadagni significativi sui reperti definiti da anatomia misurabile o attenuazione, inclusi calcoli biliari (+0,111 a +0,255 ΔAUC), steatosi epatica (+0,157), aneurisma dell'aorta addominale (AAA) e splenomegalia.
  • Superiorità di ViT: Il transformer visivo ha superato CT-IDP sui reperti dipendenti da pattern spaziali, distribuzione del fluido nei compartimenti o configurazione intestinale, come aria libera, ostruzione intestinale e ascite.
  • Limiti di Osservabilità: L'analisi delle prestazioni ha rivelato che la discriminazione di CT-IDP cala bruscamente per lesioni sub-soglia o non calcifiche (es. calcoli biliari non calcifici, piccoli cisti renali) dove l'anomalia scende al di sotto della risoluzione dei descrittori derivati dalla segmentazione. In questi regimi, il ViT ha mantenuto una discriminazione residua moderata basata su indizi di aspetto locale.
• Interpretabilità: I modelli sparsi hanno fornito regole di previsione esplicite e verificabili. L'ispezione dei coefficienti ha confermato che le regole decisionali erano allineate con le soglie cliniche (es. probabilità in aumento con il diametro aortico e in diminuzione con la differenza di attenuazione fegato-fegato). I fallimenti erano meccanicisticamente ispezionabili, spesso rintracciabili a limitazioni specifiche dei descrittori o a problemi di provenienza delle etichette (es. co-etichettatura guidata da NLP di epatomegalia e steatosi).

Significato e Affermazioni
Il documento sostiene che CT-IDP definisce un regime operativo distinto e complementare alle rappresentazioni apprese delle immagini:

• Robustezza Basata sulla Misurazione: Per le malattie espresse attraverso anatomia misurabile (dimensioni, attenuazione, carico), i modelli costruiti direttamente su queste misurazioni sono più robusti agli spostamenti del dataset e più interpretabili rispetto agli embedding basati sull'aspetto.
• Interpretabilità per Progettazione: A differenza dei metodi di spiegabilità post-hoc, l'interpretabilità di CT-IDP è intrinseca; ogni previsione è una funzione sparsa di misurazioni anatomiche nominate, permettendo ai clinici di ispezionare, contestare o auditare regole decisionali specifiche.
• Analisi dei Fallimenti: Il quadro facilita la dissezione dei meccanismi di fallimento. Ad esempio, il documento identifica che le lacune nelle prestazioni esterne per l'epatomegalia erano probabilmente guidate da etichette di addestramento derivate da NLP che confondevano epatomegalia con steatosi, una sfumatura rivelata attraverso l'ispezione dei coefficienti.
• Direzione Futura: Gli autori suggeriscono un approccio ibrido come il passo successivo naturale, combinando misurazioni esplicite CT-IDP con embedding visivi consapevoli dell'anatomia, utilizzando ciascuno nel proprio regime rispettivo (definito da misurazioni vs definito da pattern spaziali).

Limitazioni Riconosciute
Lo studio nota che la fedeltà dei descrittori dipende dalla qualità della segmentazione, in particolare per le lesioni piccole. L'uso di etichette derivate dai referti comprime malattie radiologicamente eterogenee in stati binari, potenzialmente oscurando i regimi operativi. Inoltre, la mancanza di metadati per fase di contrasto per studio nei dataset esterni ha limitato la capacità di isolare la variazione del protocollo come causa specifica del degrado delle prestazioni. L'approccio di regressione logistica sparsa, sebbene trasparente, potrebbe sottorappresentare interazioni non lineari complesse.