ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

Riepilogo Tecnico: ClinRAG-GRAPH

Problematica
La previsione accurata della risposta patologica completa (pCR) alla chemioterapia neoadiuvante (NAC) nel carcinoma mammario prima del trattamento è fondamentale per la stratificazione terapeutica. Tuttavia, la previsione robusta pre-trattamento rimane una sfida a causa di tre limitazioni primarie negli approcci esistenti: (1) modellazione cross-modale insufficiente, dove i semplici operatori di fusione non riescono a sfruttare le dipendenze strutturate tra dati di imaging, clinici e patologici; (2) eterogeneità dell'imaging multicentrico, dove le differenze tra scanner e protocolli introducono bias specifici del dominio che ostacolano la generalizzazione cross-center; (3) mancanza di interpretabilità basata su evidenze, poiché la maggior parte dei modelli produce probabilità scalari senza recuperare evidenze basate su casi reali per supportare il processo decisionale clinico.

Metodologia: ClinRAG-GRAPH
Gli autori propongono ClinRAG-GRAPH, un framework di Generazione Aumentata dal Recupero con Grafi (Clinically informed Retrieval-Augmented Generation Graph) progettato per integrare DCE-MRI, variabili cliniche strutturate e biomarcatori patologici derivati da biopsia. L'architettura si compone di quattro componenti principali:

1. Costruzione di un Grafo Clinico-Prior Gerarchico Semantico:
   Invece di una connettività omogenea, il modello costruisce un grafo diretto intra-paziente in cui i nodi rappresentano variabili di imaging e clinico-patologiche. Gli archi sono categorizzati in tre livelli semantici basati sulle linee guida cliniche e sul consenso dei radiologi:

   • Strong prior (Prior forte): Associazioni fisse ad alta confidenza (es. accoppiamenti di biomarcatori molecolari).
   • Soft prior (Prior debole): Relazioni clinicamente concordate con variabilità inter-paziente.
   • Learnable prior (Prior apprendibile): Relazioni incerte inizializzate con un peso basso e apprese dai dati.
     Questi prior vengono iniettati come log-bias sui logit dell'attenzione solo al primo strato del grafo per guidare il flusso iniziale di informazioni cross-modali senza destabilizzare l'ottimizzazione.

2. PRAttn-RGCN (Prior-guided Relational Attentional R-GCN):
   Una rete di convoluzione granulare relazionale (Relation-Aware Graph Convolutional Network) utilizza il grafo costruito per fondere modalità eterogenee. Impiega meccanismi di attenzione specifici per relazione, dove la forza del prior guida il passaggio iniziale di messaggi. Il modello aggrega gli embedding dei nodi tramite mean pooling per generare una rappresentazione del paziente per la previsione della pCR.

3. Apprendimento Avversario di Dominio:
   Per affrontare l'eterogeneità della MRI multicentrica, viene impiegata una strategia avversaria a due rami. Uno strato di inversione del gradiente (Gradient-Reversal Layer, GRL) collega l'encoder di imaging a un classificatore di dominio. Ciò costringe la rappresentazione dell'imaging a essere discriminante per la pCR pur sopprimendo gli indizi specifici dello scanner o del protocollo, migliorando così l'invarianza del dominio.

4. Modulo LLM-driven Subgraph RAG:
   Per migliorare l'interpretabilità e la robustezza sotto shift di distribuzione, il framework incorpora un modulo di recupero basato su un Large Language Model (LLM) (DeepSeek-V3.2). Durante l'inferenza, il sistema recupera casi storici clinicamente analoghi basandosi sugli embedding del grafo e sulle firme di attenzione appresi. L'evidenza recuperata viene fusa con la previsione del backbone per fornire un'inferenza basata su evidenze. L'LLM genera inoltre spiegazioni post-hoc strutturate e verificabili basate sui metadati del recupero e sugli indizi degli archi driver.

Contributi Chiave

• Costruzione del Grafo: L'introduzione di un grafo clinico-prior gerarchico che codifica la conoscenza medica direttamente nella struttura degli archi, evitando la necessità di vincoli di perdita ausiliari.
• Meccanismo di Robustezza: La progettazione di un meccanismo di attenzione relazionale guidato dal prior combinato con l'apprendimento avversario per mitigare il bias del protocollo MRI multicentrico preservando al contempo le caratteristiche rilevanti per il task.
• Interpretabilità: L'integrazione di un modulo RAG di sottografo guidato da LLM che recupera casi simili e fornisce razionali strutturati basati su evidenze per le previsioni, andando oltre l'output di semplice probabilità scalare.
• Validazione: L'assemblaggio e la valutazione di una coorte multicentrica su larga scala di pazienti con cancro al seno in trattamento con NAC, comprendente due dataset pubblici e tre centri interni.

Risultati
Il modello è stato valutato su set di test interni (aggregati da tre centri) e due set di test esterni (Ycenter e Qcenter).

• Performance: ClinRAG-GRAPH ha raggiunto un'AUC di 0,815 (95% CI: 0,738–0,885) sul set di test interno, superando i baseline allo stato dell'arte inclusi R-GCN (0,706), LMF (0,678) e iMRhpc (0,699).
• Generalizzazione: Sui set di test esterni, il modello ha mantenuto prestazioni robuste con AUC di 0,774 (Ycenter) e 0,712 (Qcenter). In particolare, ha ottenuto la massima specificità (0,946) su Ycenter e la migliore accuratezza bilanciata (0,676) sulla sfida del coorte Qcenter.
• Ablazione: Gli esperimenti hanno confermato che ogni componente contribuisce alle prestazioni: il grafo clinico-prior ha fornito il guadagno iniziale rispetto a un R-GCN standard, mentre il decoupling avversario e il modulo RAG hanno ulteriormente migliorato la generalizzazione sui domini esterni.
• Interpretabilità: L'analisi SHAP ha dimostrato che il modello cattura dipendenze cross-modali clinicamente significative (es. ER, PR, HER2, Ki67, età e caratteristiche MRI) che variano tra i sottotipi molecolari, validando il ragionamento relazionale strutturato.

Significatività
L'articolo sostiene che ClinRAG-GRAPH rappresenti un avanzamento significativo nella previsione della pCR pre-trattamento affrontando le sfide specifiche dell'integrazione multimodale, dello shift di dominio e dell'interpretabilità. Combinando i prior clinici strutturati con l'adattamento del dominio avversario e la generazione aumentata dal recupero, il framework dimostra prestazioni competitive e coerenti attraverso diversi centri. Gli autori pongono in luce come questo approccio supporti strategie di trattamento NAC individualizzate, in particolare per l'escalation o la de-escalation precoce, fornendo previsioni che non sono solo accurate ma anche fondate su evidenze cliniche recuperabili. Il codice è reso disponibile per facilitare ulteriori ricerche in questo dominio.