Triple-Phase Multimodal Knowledge Aggregation Framework for Microbial Keratitis Subtype Diagnosis on Slit-Lamp Photography

Sintesi Tecnica: Framework di Aggregazione Multimodale della Conoscenza a Tripla Fase per la Diagnosi dei Sottotipi di Cheratite Microbica

Problema
La cheratite microbica (MK) è un'infezione corneale grave che richiede l'identificazione rapida dell'agente patogeno causativo (batterico vs fungino) per guidare il trattamento mirato. Gli standard diagnostici attuali, basati su coltura e PCR, sono lenti (richiedono diversi giorni) e non riescono a identificare i patogeni in oltre il 50% dei casi. Questo ritardo porta spesso a un trattamento empirico subottimale, peggiorando gli esiti clinici. Sebbene la fotografia a lampada a fessura (SLP) sia una modalità di imaging ampiamente disponibile e a basso costo che cattura biomarcatori specifici (es. infiltrazioni stromali, ipopion) sotto diverse illuminazioni, distinguere tra i sottotipi batterici e fungini basandosi esclusivamente su queste immagini è difficile a causa delle sottili differenze visive e della significativa eterogeneità nelle condizioni di imaging (modalità di illuminazione, ingrandimento). Gli approcci di deep learning esistenti soffrono spesso di una scarsa generalizzazione quando applicati a coorti esterne e tendono a essere valutati su dati aggregati multicentrici, il che può mascherare i bias geografici e distribuzionali.

Metodologia
Gli autori propongono un Framework di Aggregazione della Conoscenza Multimodale a Tripla Fase progettato per classificare la MK batterica rispetto a quella fungina utilizzando immagini SLP e metadati clinici. Il framework integra dati da tre modalità di illuminazione: luce blu diffusa (con fluoresceina), scattering sclerotico e luce bianca diffusa.

1. Curatela e Preprocessamento dei Dati:

   • È stato curato un dataset su larga scala e multicentrico composto da 1.645 pazienti (1.048 fungini, 597 batterici) e 17.158 immagini provenienti da USA e India.
   • Ritaglio basato sul Limbo (Limbus-based Cropping): È stata utilizzata una rete di segmentazione basata sulla connettività (BiconNet) per ritagliare la regione del limbo, rimuovendo il rumore di fondo irrilevante (sclera, palpebre) per concentrare il modello sulle aree rilevanti per la lesione.
   • Integrazione dei Metadati: Le variabili cliniche (storia di trauma, esposizione ad organico/acqua, uso di lenti a contatto, acuità visiva) sono state codificate (embedded) e concatenate con le caratteristiche dell'immagine.

2. Fase Uno: Apprendimento Contrastivo Cross-Modalità (CMCL):

   • Un modello universale viene pre-addestrato utilizzando l'apprendimento contrastivo. Le immagini dello stesso paziente, indipendentemente dalla modalità di illuminazione o dall'ingrandimento, sono trattate come coppie positive, mentre le immagini di pazienti diversi sono coppie negative.
   • Questa fase mira a apprendere rappresentazioni invarianti rispetto alla modalità, catturando caratteristiche specifiche della malattia che persistono attraverso diverse condizioni di imaging.

3. Fase Due: Fine-Tuning Specifico per Modalità:

   • I pesi pre-addestrati vengono trasferiti a tre reti separate, ciascuna delle quali viene perfezionata (fine-tuned) su una specifica modalità di illuminazione (Blu, Scattering Sclerotico, Bianca).
   • Un termine di regolarizzazione (la perdita contrastiva) viene aggiunto alla perdita di classificazione durante il fine-tuning per mantenere le caratteristiche invarianti apprese pur adattandosi ai segnali specifici della modalità.

4. Fase Tre: Ensemble Multimodale a Livello di Caratteristiche (Feature-Level):

   • Invece di un semplice voto di maggioranza, il framework estrae i vettori di caratteristiche dal livello precedente alla testa di classificazione per ciascuna rete specifica per modalità.
   • Questi vettori vengono mediati per modalità (gestendo le modalità mancanti tramite inizializzazione con vettore nullo) e concatenati in una singola matrice di caratteristiche.
   • Un Percettore Multistrato (MLP) fonde queste caratteristiche per produrre la previsione finale a livello di paziente.

Contributi Chiave

1. Costruzione del Dataset: La creazione di un dataset su larga scala, multicentrico e multimodale (17.158 immagini da 1.645 pazienti) con metadati clinici accoppiati, affrontando la scarsità di dataset SLP annotati per la MK.
2. Framework Innovativo: L'introduzione di un'architettura a tripla fase che affronta esplicitamente l'eterogeneità dell'imaging attraverso il pre-addestramento contrastivo, il fine-tuning specifico per modalità e l'apprendimento di ensemble a livello di caratteristiche.
3. Protocollo di Valutazione Rigoroso: Gli autori espongono un limite critico negli studi multicentrici precedenti: le metriche aggregate su dati raggruppati spesso producono risultati eccessivamente ottimistici che mascherano gravi disparità di prestazione tra i diversi siti geografici. Introducono valutazioni stratificate per sito sotto tre protocolli (distribuzione originale, ricampionamento e sottoinsiemi completamente bilanciati) per fornire una valutazione più realistica della generalizzazione cross-site.

Risultati

• Prestazioni Complessive: Il framework proposto ha raggiunto prestazioni state-of-the-art con un'accuratezza dell'85,84%, un F1-score medio dell'84,46% e un AUC di 0,885, superando i baseline inclusi ResNet-50, DenseNet-121, SwinV2-T e DeepIK.
• Classificazione Batterica: Il framework ha migliorato notevolmente il riconoscimento dei casi batterici, che sono storicamente difficili. L'F1-score batterico è aumentato da circa il 76,7% (miglior baseline) all'80,0%, mantenendo un alto F1-score fungino di 89,0%.
• Analisi delle Modalità: Il modello ha ottenuto le migliori prestazioni sotto l'illuminazione a scattering sclerotico (84,81% di accuratezza) e ha mostrato guadagni costanti in tutte le modalità rispetto ai baseline a singola modalità.
• Generalizzazione Specifica per Sito:
  • Sul dataset originale, tutti i metodi hanno mostrato un'alta prestazione fungina in India ma una scarsa prestazione batterica, e viceversa negli USA, indicando un bias geografico.
  • Sotto le impostazioni di valutazione per ricampionamento e bilanciamento, il framework proposto è rimasto il top performer, dimostrando una maggiore robustezza e imparzialità tra i siti rispetto ai baseline.
  • Uno studio di ablazione rimuovendo i metadati espliciti della posizione ("No Location") ha comunque mostrato un bias geografico, suggerendo che il modello apprende implicitamente segnali visivi specifici del sito (es. rumore del sensore, demografia della popolazione) dalle immagini stesse.

Significatività e Rivendicazioni
Il paper sostiene che questo lavoro rappresenti un passo significativo verso una diagnosi assistita dall'IA accessibile per la cheratite microbica. Sfruttando un framework a tripla fase, gli autori dimostrano che è possibile estrarre caratteristiche robuste e invarianti rispetto alla modalità da immagini eterogenee a lampada a fessura, migliorando così l'accuratezza diagnostica per il difficile sottotipo batterico.

Fondamentalmente, gli autori sostengono che la loro metodologia di valutazione fornisca un benchmark più fedele per l'implementazione nel mondo reale. Evidenziano come la valutazione standard su dati raggruppati possa essere fuorviante, nascondendo debolezze significative in specifici domini geografici. La capacità del loro framework di mantenere le prestazioni massime sotto rigorose impostazioni di valutazione bilanciate e ricampionate suggerisce un potenziale maggiore per un dispiegamento cross-site equo e generalizzabile.

Gli autori rimangono modesti riguardo all'implementazione clinica, osservando che, sebbene le prestazioni offline siano forti, la validazione prospettica nei flussi di lavoro reali di point-of-care è essenziale. Riconoscono anche gli attuali limiti, inclusa la natura binaria della classificazione (batterica vs fungina), la necessità di una maggiore rappresentazione geografica per mitigare lo "shortcut learning" e la necessità di protocolli di imaging standardizzati negli studi prospettici futuri.