M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification

Riepilogo Tecnico: M3Net per la Classificazione dei Noduli Polmonari

Enunciato del Problema
La differenziazione accurata tra noduli polmonari benigni e maligni nelle scansioni TC è un compito critico ma impegnativo nello screening precoce del cancro al polmone. Sebbene i modelli di deep learning abbiano dimostrato un'elevata accuratezza predittiva su benchmark come LIDC-IDRI, spesso funzionano come "scatole nere", mancando della trasparenza e della spiegabilità richieste per l'integrazione clinica. Gli approcci esistenti falliscono frequentemente nel modellare sistematicamente la logica diagnostica gerarchica utilizzata dai radiologi, che procede dai dettagli strutturali a grana fine al contesto locale e infine alle relazioni anatomiche globali. Inoltre, molti modelli si basano su input unimodali o su tecniche di spiegabilità post-hoc che non si allineano con le rappresentazioni delle caratteristiche interne del modello, limitandone l'affidabilità in scenari diagnostici reali.

Metodologia: M3Net
Gli autori propongono M3Net, una nuova rete 3D ispirata al flusso di lavoro diagnostico gerarchico dei radiologi. Il framework opera secondo un principio Macro $\rightarrow$ Meso $\rightarrow$ Micro, integrando informazioni contestuali multi-scala attraverso un protocollo di addestramento in due fasi e un meccanismo di fusione gerarchica tramite attenzione incrociata.

1. Strategia di Input Ispirata alla Clinica:
   Il modello elabora tre patch volumetriche nidificate che rappresentano diverse scale spaziali:

   • Scala Micro ($X_{32}$): Cattura strutture del nodulo a grana fine (es. spicolatura, lobulazione, texture interna).
   • Scala Meso ($X_{64}$): Codifica il contesto locale e le relazioni peri-nodulari (es. convergenza vascolare, adiacenza pleurica).
   • Scala Macro ($X_{96}$): Rappresenta le relazioni spaziali globali e il contesto anatomico a lunga distanza (es. compressione tissutale, connettività vascolare su larga scala).

2. Codifica e Allineamento Specifici per Scala:
   Ogni scala è elaborata da una rete backbone dedicata (es. ConvNeXt, ResNet). Per garantire la coerenza semantica tra le scale, gli autori impiegano un protocollo di addestramento in due fasi:

   • Fase 1 (Pre-addestramento Discriminativo): Ogni ramo specifico per scala è ottimizzato indipendentemente utilizzando un obiettivo di classificazione a entropia incrociata. I livelli inferiori sono parzialmente congelati per preservare le rappresentazioni di texture e bordi a basso livello.
   • Fase 2 (Allineamento Cross-Scala): La rete viene affinata per imporre coerenza tra le scale. Ciò comporta il proiettare le caratteristiche specifiche per scala in uno spazio latente unificato e l'ottimizzazione di una perdita di allineamento gerarchico ($\mathcal{L}_{align}$) composta da:
     • Perdita InfoNCE: Massimizza l'informazione reciproca tra gli embedding latenti di scale diverse.
     • Allineamento della Covarianza: Minimizza la distanza di Frobenius tra le matrici di covarianza specifiche per scala per stabilizzare la geometria delle caratteristiche.
     • Regolarizzazione di Ortogonalità e Norma Nucleare: Previene il collasso della rappresentazione e incoraggia sottospazi diversi e complementari.

3. Fusione Gerarchica tramite Attenzione Incrociata:
   Le caratteristiche allineate vengono fuse tramite un meccanismo di attenzione progressivo che imita il ragionamento clinico:

   • Fase I (Ragionamento Periferico): Gli embedding a scala bassa e media scambiano indici di confine e texture.
   • Fase II (Assimilazione del Contesto): Gli embedding a scala globale interagiscono con le caratteristiche locali raffinate per modulare gli indici a grana fine con un contesto più ampio.
   • Fase III (Integrazione): Un encoder Transformer gerarchico integra la sequenza fusa, applicando una regolarizzazione $l_2$ sui pesi dell'attenzione per prevenire un focus eccessivamente sicuro, prima della classificazione finale.

Contributi Chiave

• Framework Gerarchico: Il documento introduce una rete 3D Macro-Meso-Micro (M3) guidata clinicamente che allinea il ragionamento del modello al flusso di lavoro cognitivo del radiologo, passando dai dettagli fini al contesto globale.
• Fusione Multi-Scala Progressiva: Il metodo costruisce input multi-scala progressivi e impiega codificatori specifici per scala con proiezione nello spazio latente e massimizzazione dell'informazione reciproca per garantire la coerenza semantica cross-scala.
• Prestazioni all'Avanguardia: Esperimenti estesi dimostrano che M3Net supera le basi di riferimento esistenti (inclusi 3D-CNN, ResNet e modelli basati su Transformer) sia sul dataset pubblico LIDC-IDRI sia su un dataset clinico raccolto autonomamente (USTC-FHLN).
• Spiegabilità by Design: A differenza dei metodi post-hoc, l'architettura del modello supporta intrinsecamente la spiegabilità strutturando l'estrazione delle caratteristiche per rispecchiare i passaggi diagnostici clinici, facilitando la cross-verifica uomo-macchina.

Risultati Sperimentali
Gli autori hanno valutato M3Net su due dataset:

• LIDC-IDRI: M3Net ha raggiunto un'accuratezza del 86,96%, superando la migliore base di riferimento (ResNet-18 al 82,67% e DeepLung all'83,70%) del 3,26%. Ha inoltre ottenuto il punteggio F1 più alto (86,66%) e l'accuratezza bilanciata più alta (80,12%).
• USTC-FHLN (Dati Clinici): Il modello ha raggiunto un'accuratezza dell'84,24%, superando la migliore base di riferimento del 2,17%.
• Studi di Ablazione:
  • La rimozione di una singola scala (Micro, Meso o Macro) ha comportato un degrado delle prestazioni, confermando il valore complementare delle informazioni multi-scala.
  • La perdita di allineamento completa (inclusi termini di covarianza, ortogonalità e norma nucleare) è stata critica, con la perdita di norma nucleare che ha contribuito significativamente alla coerenza globale.
  • Le visualizzazioni Grad-CAM hanno indicato che M3Net produce mappe di attenzione più stabili e spazialmente concentrate attorno alle regioni dei noduli rispetto alle basi di riferimento, che spesso mostravano attivazioni disperse sui tessuti circostanti.

Significato e Affermazioni
Il documento afferma che M3Net fornisce una soluzione robusta e clinicamente rilevante per la classificazione dei noduli polmonari colmando il divario tra l'AI basata sui dati e la pratica clinica. Incorporando la logica diagnostica gerarchica del radiologo nell'architettura della rete, il modello non solo raggiunge un'accuratezza superiore, ma offre anche un processo di ragionamento strutturato e interpretabile. Gli autori ipotizzano che questo approccio migliori l'affidabilità della diagnosi assistita dall'AI, permettendo ai medici di valutare le previsioni da una prospettiva fisiopatologica. Sebbene il framework sia attualmente focalizzato sui noduli polmonari, gli autori suggeriscono che il paradigma di ragionamento gerarchico macro-meso-micro potrebbe essere esteso ad altri compiti di imaging medico centrati sulle lesioni, come l'analisi delle lesioni epatiche e la valutazione delle masse mammarie, purché vengano apportate adattamenti specifici per il compito.