Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome

Sintesi Tecnica: Decomposizione Strutturata dell'Evidenza Visiva per lo Screening Multimodale dell'OSAHS basato sull'Evidenza

Problematica
La Sindrome delle Apnee Ostruttive del Sonno (OSAHS) è un disturbo del sonno prevalente con significative conseguenze cardiovascolari e neurocognitive. Sebbene la polisonnografia (PSG) notturna rimanga lo standard di riferimento per la diagnosi, essa è dispendiosa in termini di risorse e difficile da scalare per la valutazione preliminare del rischio. Uno screening pre-PSG efficace richiede l'integrazione di fattori di rischio clinici strutturati (ad es., BMI, circonferenza del collo, comorbidità) con indizi morfologici craniofacciali e del collo visibili. Tuttavia, l'uso di modelli fondativi multimodali generici (Vision-Language Models, VLM) sollecitando direttamente decisioni mediche binarie spesso produce output instabili e scarsamente calibrati, come predizioni negative degenerate o eccessive chiamate positive. Inoltre, i sistemi esistenti spesso trattano la fusione multimodale come un problema di classificazione "black-box", privo dell'interpretabilità necessaria per la supervisione clinica. La sfida consiste nell'organizzare i modelli fondativi in un flusso di lavoro che acquisisca, strutturi e giudichi le evidenze in modo controllato dal punto di vista clinico, al fine di dare priorità alla riduzione dei casi mancati senza fornire una diagnosi autonoma.

Metodologia: Il Framework EviOSAHS
Gli autori propongono EviOSAHS, un framework di ragionamento multimodale basato sull'evidenza che separa l'acquisizione di evidenze anatomiche basata solo sull'immagine dalla successiva giudicazione clinica finale. Il flusso di lavoro è strutturato in tre fasi distinte:

1. Ricostruzione Strutturata del Riassunto Clinico:
   Le variabili cliniche strutturate (età, sesso, BMI, circonferenza del collo, rapporto vita-osteo e comorbidità) vengono convertite in un riassunto clinico pulito e standardizzato. Fondamentalmente, questo riassunto viene trattenuto durante la fase di analisi visiva per evitare che i prior clinici contaminino le osservazioni derivate dalle immagini. Non vengono inclusi valori AHI o etichette di gravità per prevenire il data leakage.

2. Acquisizione di Evidenze Visive Specifiche per l'Anatomia:
   Invece di chiedere al VLM di diagnosticare direttamente l'OSAHS, l'immagine facciale frontale viene scomposta in sette query anatomiche fisse che mirano a regioni specifiche: collo, mento, bocca, grasso del viso/collo, mascella inferiore, parte media del volto e naso.

   • Il VLM agisce strettamente come un osservatore anatomico specifico, limitato a riportare osservazioni visive e livelli di visibilità (alta/media/incerta) per ogni query.
   • La diagnosi diretta, i suggerimenti terapeutici o la stima della gravità sono esplicitamente proibiti nel prompt.

3. Costruzione della Carta dell'Evidenza (Evidence-Card):
   Ogni osservazione visiva viene analizzata e convertita in una carta dell'evidenza strutturata. Queste carte contengono:

   • Target anatomico e osservazione visiva.
   • Valutazione della visibilità.
   • Direzione del rischio (a favore/contro/incerto).
   • Forza dell'evidenza (debole/moderata/forte).
   • Confidenza riportata dal modello (bassa/media/alta).
   • Un conciso riassunto dell'evidenza.
     Questo passaggio trasforma le descrizioni visive a testo libero in dati strutturati e verificabili.

4. Giudicazione Clinica Solo Finale:
   Nella fase finale, le sette carte dell'evidenza strutturate vengono integrate con il riassunto clinico pulito. Un Large Language Model (LLM) esegue una giudicazione di screening binaria bilanciata. Al modello viene istruito di confrontare esplicitamente le evidenze a supporto, quelle contrarie e quelle incerte prima di emettere un'etichetta finale di screening-positivo o screening-negativo. Ciò garantisce che la decisione si basi su una traccia di evidenza aggregata e verificabile piuttosto che su una generazione non vincolata.

Contributi Chiave

1. Formulazione del Task: Lo studio inquadra la valutazione dell'OSAHS come un compito di screening binario ad alta sensibilità pre-PSG, separando esplicitamente l'identificazione dello screening dalla diagnosi autonoma e dalla gradazione della gravità.
2. Framework Basato sull'Evidenza: EviOSAHS introduce un flusso di lavoro a stadi in cui i VLM sono vincolati all'osservazione anatomica basata solo sull'immagine, convertendo le risposte in carte dell'evidenza strutturate e verificabili.
3. Strategia di Separazione Temporale: Il framework ritarda l'introduzione delle informazioni cliniche strutturate fino alla fase decisionale finale, riducendo il rischio che i prior clinici sovrascrivano le osservazioni basate sulle immagini.
4. Valutazione Unificata: Il metodo è valutato su una coorte di 642 soggetti rispetto al prompting clinico-solo, al prompting multimodale diretto, a pipeline a due stadi naive e a varie varianti di ablazione, supportato da test statistici accoppiati e audit degli output visivi.

Risultati Sperimentali
Il framework è stato valutato su una coorte retrospettiva di 642 soggetti (584 screening-positivi, 58 screening-negativi).

• Performance: EviOSAHS ha raggiunto un'accuratezza dell'88,47%, una sensibilità del 94,86%, un F1-score del 93,74% e un tasso di falsi negativi (FNR) del 5,14%.
• Vantaggio Comparativo: Ha superato significativamente il prompting clinico-solo, il prompting multimodale diretto (che spesso collassava in output degeneri) e le pipeline a due stadi naive. I test di McNemar accoppiati hanno confermato vantaggi a livello di campione rispetto a tutti i comparatori.
• Studi di Ablazione: La rimozione della decomposizione visiva in sette domande ha ridotto la sensibilità di 22,95 punti percentuali, e la rimozione della giudicazione finale bilanciata ha ridotto la sensibilità del 19,18 punti percentuali, confermando che la decomposizione strutturata e la rendicontazione bilanciata delle evidenze sono critiche per il punto operativo ad alta sensibilità.
• Auditabilità: Un audit a livello di domanda di 4.494 output visivi ha mostrato un tasso di parsing strutturato del 100% e un tasso di alta visibilità del 93,88%, a supporto dell'affidabilità della fase di acquisizione delle evidenze basata solo sull'immagine.

Significato e Rivendicazioni
L'articolo sostiene che la decomposizione strutturata dell'evidenza visiva può organizzare i modelli fondativi multimodali generici in un flusso di lavoro verificabile e ad alta sensibilità per lo screening binario pre-PSG dell'OSAHS. Convertendo le descrizioni visive in carte dell'evidenza strutturate e richiedendo una giudicazione bilanciata, il framework consente un'analisi degli errori mirata e un'interpretazione rivolta al clinico.

Gli autori dichiarano esplicitamente che EviOSAHS deve essere interpretato come un assistente al triage pre-polisonnografia piuttosto che come un sistema diagnostico definitivo. Il framework dà priorità alla riduzione dei casi mancati ma riconosce che è necessaria una calibrazione quando si accumulano molteplici segnali di rischio deboli per evitare invii non necessari. Lo studio conclude che la validazione prospettica, i test esterni e il controllo del punto operativo calibrato sono necessari prima dell'impiego clinico. Il lavoro non pretende di sostituire la PSG o di fornire una diagnosi autonoma, ma piuttosto di fornire evidenze verificabili per supportare la supervisione clinica in scenari di triage ad alto rischio.