Anatomy-Slot: Unsupervised Anatomical Factorization for Homologous Bilateral Reasoning in Retinal Diagnosis

Riepilogo Tecnico: Anatomy-Slot per la Diagnosi Retinica Bilaterale

Enunciato del Problema
La diagnosi retinica è intrinsecamente un compito clinico bilaterale, in cui i clinici confrontano strutture omologhe (ad esempio, l'asimmetria del disco ottico) tra l'occhio sinistro e quello destro per rilevare patologie. Tuttavia, la maggior parte dei modelli di deep learning esistenti opera su rappresentazioni monocolari, trattando ciascun occhio in modo indipendente. Gli autori ipotizzano che la classificazione monoculare basata sulla texture sia insufficiente per il rilevamento di patologie bilaterali e che un confronto strutturale esplicito sia necessario per ottenere prestazioni allineate alla pratica clinica. Sebbene la modellazione bilaterale e la decomposizione in slot centrati sull'oggetto esistano indipendentemente in letteratura, la loro integrazione come unità di corrispondenza esplicita per il ragionamento anatomico omologo non è stata testata empiricamente in condizioni statisticamente controllate.

Metodologia: Anatomy-Slot
Il framework Anatomy-Slot proposto opera l'ipotesi di una corrispondenza inter-oculare esplicita attraverso un collo di bottiglia anatomico non supervisionato. La pipeline è composta dai seguenti componenti:

1. Backbone e Tokenizzazione: Data una coppia di immagini del fondo oculare bilaterali $(x_L, x_R)$, il modello utilizza un backbone ViT-L RETFound condiviso per estrarre i token delle patch.
2. Fattorizzazione Anatomiche Non Supervisionata (Slot Attention): Per ciascun occhio, i token delle patch sono decomposti in $K$ slot centrati sull'oggetto utilizzando Slot Attention (con $I=3$ iterazioni). Questo processo inizializza gli slot come parametri apprendibili e li aggiorna tramite un meccanismo di attenzione competitiva (softmax sugli slot, rineormalizzato sui token) e una GRU, producendo un insieme di rappresentazioni degli slot $S \in \mathbb{R}^{K \times D}$ per occhio.
3. Corrispondenza Inter-Oculare Bidirezionale: Per allineare le strutture omologhe, il modello impiega un'attenzione incrociata bidirezionale. Gli slot dell'occhio sinistro interrogano gli slot dell'occhio destro (e viceversa) utilizzando un'attenzione incrociata multi-testa ($H=8$). Ciò permette al modello di allineare esplicitamente gli slot tra gli occhi, creando una rappresentazione consapevole della corrispondenza.
4. Apprendimento con Obiettivo Duale: Il modello è addestrato con un obiettivo combinato:
   • Funzione di Perdita di Classificazione ($L_{cls}$): Funzione di perdita supervisionata standard per la diagnosi di patologie.
   • Funzione di Perdita di Ricostruzione ($L_{recon}$): Un compito ausiliario non supervisionato in cui ogni slot prevede i valori RGB per patch e i logit delle maschere. Un decoder leggero ricostruisce un'immagine RGB a bassa risoluzione. Questa perdita stabilizza l'apprendimento degli slot e previene il collasso degli slot.
   • Obiettivo Totale: $L = L_{cls} + 0.5 L_{recon}$.
5. Protocollo di Addestramento: Il modulo degli slot subisce un pre-addestramento non supervisionato su un pool di circa 20.000 immagini retiniche non etichettate. Durante il fine-tuning supervisionato sul dataset target, vengono sbloccati solo l'ultimo blocco ViT e i parametri di normalizzazione del livello, mentre le iterazioni degli slot sono ridotte a 3.

Contributi Chiave

• Architettura: Una nuova architettura basata su slot bilaterali in cui gli slot fungono da unità di corrispondenza e l'attenzione incrociata facilita lo scambio esplicito di informazioni tra gli occhi.
• Rigor Statistico: Un protocollo di valutazione robusto che coinvolge $n=10$ semi indipendenti, intervalli di confidenza al 95% e test appaiati non parametrici (test del rango con segno di Wilcoxon) per garantire la significatività statistica.
• Analisi Meccanicistica: Test completi che indagano la dipendenza del modello dalla corrispondenza, inclusi esperimenti di interruzione dell'accoppiamento, test di stress sotto rumore gaussiano e analisi quantitativa dell'ancoraggio del disco ottico.

Risultati
Valutato sul dataset ODIR-5K (diagnosi multi-etichetta bilaterale), il metodo dimostra miglioramenti significativi rispetto alle baseline corrispondenti:

• Prestazioni: Anatomy-Slot raggiunge un macro AUC di 0,865, un miglioramento del 4,2% rispetto alla baseline ViT-L corrispondente (0,823). Il miglioramento è statisticamente significativo ($W=0, p=0,002$).
• Studi di Ablazione:
  • L'elaborazione bilaterale senza slot produce solo un guadagno modesto (0,828 AUC).
  • La decomposizione in slot senza interazione inter-oculare performa peggio (0,754 AUC).
  • La rimozione della funzione di perdita di ricostruzione causa il collasso degli slot, degradando le prestazioni a 0,729 AUC.
  • Le prestazioni del modello completo raggiungono il picco con $K=8$ slot; meno slot rappresentano inadeguatamente l'anatomia, mentre più slot diluiscono la corrispondenza.
• Dipendenza dalla Corrispondenza: Quando l'accoppiamento sinistra-destra viene interrotto (mescolato durante la valutazione), le prestazioni di Anatomy-Slot scendono di 18,3 punti (da 0,865 a 0,682), mentre la baseline scende di soli 3,2 punti. Ciò supporta l'ipotesi che il modello si basi sul matching strutturale omologo.
• Robustezza: Sotto rumore gaussiano ($\sigma=0,2$), Anatomy-Slot mantiene un AUC di 0,685, superando sia la baseline (0,578) che la variante "No Slots" (0,595).
• Ancoraggio: Sul dataset REFUGE (trasferimento zero-shot), il modello raggiunge un'Intersezione su Unione media (mIoU) di 0,635 per la localizzazione del disco ottico utilizzando lo Slot 1, superando significativamente una baseline di clustering delle feature K-Means (0,452).
• Separabilità: Il Rapporto di Fisher nello spazio di rappresentazione penultimo aumenta da 0,85 (baseline) a 1,62 (Anatomy-Slot), indicando una migliore separabilità delle classi.

Significato e Affermazioni
Il paper afferma che la modellazione esplicita della corrispondenza inter-oculare tramite fattorizzazione anatomica non supervisionata migliora significativamente le prestazioni diagnostiche nel rilevamento di patologie retiniche. I risultati suggeriscono che il guadagno di prestazioni deriva specificamente dalla combinazione di slot strutturati centrati sull'oggetto e allineamento inter-oculare, piuttosto che dall'elaborazione bilaterale o dalla decomposizione in slot da soli.

Gli autori posizionano questo lavoro come un passo verso un "AI retinica allineata clinicamente", dimostrando che i modelli possono imparare a basarsi sul matching anatomico omologo in modo non supervisionato. Le analisi meccanicistiche (interruzione dell'accoppiamento, localizzazione dell'attenzione) forniscono prove che il comportamento del modello è coerente con il processo di ragionamento clinico di confronto delle strutture omologhe. Gli autori riconoscono le limitazioni, inclusa la valutazione principalmente su un singolo dataset e la necessità di ulteriori test su disallineamenti clinici, ma concludono che l'approccio offre una strada verso sistemi di supporto diagnostico interpretabili.