Riassunto Tecnico: Rapporto di Colore del Disco Ottico (ODCR) per l'Equità tra Sottogruppi nello Screening della Retinopatia Diabetica

Definizione del Problema

I sistemi automatizzati di screening per la Retinopatia Diabetica (DR) raggiungono un'accuratezza pari a quella degli specialisti su benchmark curati, ma esibiscono disparità di prestazioni tra i sottogruppi che sono scarsamente comprese. Mentre il lavoro precedente spesso attribuisce tali disparità allo squilibrio dei dati, questo articolo sostiene una spiegazione meccanicistica: la pigmentazione coroideale (concentrazione di melanina) riduce il contrasto ottico tra le lesioni (microaneurismi, emorragie) e lo sfondo retinico.

Questa riduzione del Rapporto Segnale-Rumore (SNR) degrada fisicamente il segnale di input disponibile per i rilevatori convoluzionali delle lesioni. Gli autori ipotizzano che ciò conduca a una specifica modalità di fallimento: l'over-prediction (sovra-predizione). I fundi con pigmentazione più scura, avendo un minor contrasto lesione-sfondo, vengono sistematicamente segnalati come "referabili" a tassi più elevati indipendentemente dal loro vero label, imponendo un carico sproporzionato di falsi positivi sulle popolazioni sottoservite. Ciò contrasta con l'IA dermatologica, dove problemi simili di contrasto si manifestano spesso come fallimenti di specificità (mancata rilevazione).

Metodologia

1. Il Proxy ODCR

Per auditare l'equità senza fare affidamento su etichette di etnia basate sulla ground-truth, gli autori introducono il Rapporto di Colore del Disco Ottico (ODCR).

• Definizione: Una metrica calcolata dall'annulus peripapillare (la regione che circonda il disco ottico) nello spazio colore CIE $L^*a^*b^*$.
• Formula: $odcr = \arctan(\frac{\bar{L}^* - 50}{\bar{b}^*}) \times \frac{180}{\pi}$.
• Funzione: Valori più alti indicano una pigmentazione più chiara; valori più bassi indicano una pigmentazione più scura. Funge da proxy analogo all'Angolo di Tipologia Individuale (ITA) utilizzato in dermatologia.
• Stratificazione: I pazienti sono raggruppati in "Scuri", "Medi" e "Chiari" in base ai terzili di ODCR dal set di addestramento.

2. Analisi SNR

Gli autori quantificano l'SNR vaso-sfondo per validare il meccanismo fisico.

• Metrica: $SNR = \frac{|\mu_{lesione} - \mu_{sfondo}|}{\sigma_{sfondo}}$.
• Metodo: I pixel candidati per i microaneurismi sono identificati tramite sogliatura adattiva del canale verde (picco di assorbimento dell'emoglobina), mentre lo sfondo è campionato dal tessuto peripapillare a media luminanza.

3. Setup Sperimentale

• Dataset:
  • EyePACS: 35.126 immagini (basato negli USA). Sono stati utilizzati split a livello di paziente (Train: 24.588; Val: 5.268; Test: 5.270) per prevenire il data leakage.
  • APTOS 2019: 3.662 immagini (popolazione indiana) utilizzate per la validazione del transfer zero-shot.
• Architettura del Modello: Backbone EfficientNet-B2 con un ramo di condizionamento (Linear3→16→32) che concatena gli embedding di tono.
• Studio di Ablazione: Cinque varianti sono state testate sul set di test bloccato di EyePACS:
  1. Baseline: Addestramento standard ($pos\_weight=2.0$).
  2. Aug-only: Augmentation per fundus scuri + oversampling 3x.
  3. Tone-only: Condizionamento ODCR.
  4. Full: Combinazione di tutte le interazioni.
  5. Balanced-baseline: Campionamento equalizzato e $pos\_weight=1.0$ (controllo).
• Valutazione: Le metriche includevano AUC, Sensibilità, Specificità, stratificate per gruppi ODCR. La significatività statistica è stata valutata tramite test di permutazione e intervalli di confidenza bootstrap.

Risultati Chiave

1. Riduzione SNR nei Fundi Scuri

Lo studio conferma una significativa riduzione del contrasto lesione-sfondo per i fundi più scuri.

• Magnitudo: Il rapporto SNR luce-scuro è 1.14×.
• Significatività: Questa riduzione è statisticamente significativa ($p = 3 \times 10^{-10}$ via Kruskal–Wallis; $p = 0.0005$ via Mann–Whitney).
• Confronto: Questo effetto è attenuato rispetto alla dermatologia (dove il rapporto era 5.2×), probabilmente perché la coroide si trova dietro l'epitelio pigmentato retinico e l'illuminazione attiva del fundus compensa parzialmente l'assorbimento.

2. La "Firma di Elevazione del Punteggio" (Score-Elevation Signature)

In tutte le cinque varianti del modello, i fundi con pigmentazione scura hanno ricevuto probabilità predette sistematicamente più alte rispetto ai fundi con pigmentazione chiara, indipendentemente dal vero label.

• Evidenza: Nella variante Baseline, i veri negativi scuri avevano un punteggio medio di 0.128 rispetto a 0.105 per i veri negativi chiari ($\Delta = +0.023$).
• Implicazione: Ciò indica un'incertezza globale del modello sotto basso contrasto, che porta a uno spostamento verso la classe positiva.

3. Asimmetria di Sensibilità (Over-Prediction)

Sotto un addestramento calibrato sulla sensibilità (specificamente la variante Full), l'elevazione del punteggio si manifesta come un significativo gap di sensibilità piuttosto che un gap di specificità.

• Gap della Variante Full: Sensibilità scura (0.642) vs Sensibilità chiara (0.535), $\Delta = +0.107$ ($p = 0.015$).
• Gap di Specificità: Il gap di specificità era piccolo e non significativo ($\Delta \approx -0.009$).
• Impatto Clinico: Ciò si traduce in circa 4 referti eccessivi per 1.000 pazienti con pigmentazione scura rispetto ai pazienti con pigmentazione chiara.
• Insufficienza dell'AUC: I gap di AUC tra i gruppi erano trascurabili ($\le 0.008$) e non significativi, confermando che l'AUC da sola è insufficiente per l'audit di equità in questo contesto.

4. Validazione Esterna

Il transfer zero-shot al dataset APTOS 2019 (popolazione indiana) ha replicato la firma. L'elevazione del punteggio era ancora più pronunciata ($\Delta = +0.101$ per i veri negativi), coerentemente con la distribuzione della popolazione più scura.

5. Struttura Causale

• Calibrazione della Soglia: L'aggiustamento delle soglie decisionali ($t = 0.30–0.65$) non ha chiuso il gap, indicando che la disparità è incorporata nelle distribuzioni di probabilità predetta, non solo nel confine decisionale.
• Bilanciamento: Il bilanciamento delle classi ha ridotto il gap rispetto alla variante "Full", ma non lo ha eliminato al di sotto del livello della "Baseline". Ciò suggerisce una struttura causale mista: la disparità è guidata sostanzialmente dall'interazione tra la regola decisionale calibrata sulla sensibilità (oversampling e alto $pos\_weight$) e il deficit fisico di SNR.

Significato e Rivendicazioni

L'articolo sostiene di fornire una comprensione meccanicistica delle disparità di equità nella diagnosi di DR, andando oltre lo squilibrio dei dati verso le proprietà ottiche fisiche.

1. ODCR come Proxy: Stabilisce l'ODCR come un proxy computazionalmente accessibile e privo di etichette per la pigmentazione del fundus, consentendo l'analisi dei sottogruppi senza etichette di etnia.
2. SNR come Predittore del Tipo di Disparità: Il documento propone che l'entità del rapporto SNR possa predire l'asse della disparità.
   • Alta riduzione di SNR (Dermatologia, 5.2×) $\rightarrow$ Fallimento di specificità (sotto-rilevazione).
   • Riduzione di SNR attenuata (Fundus, 1.14×) $\rightarrow$ Fallimento di sensibilità (sovra-predizione).
3. Limiti dell'AUC: Dimostra che le metriche standard come l'AUC possono mascherare significative disparità tra sottogruppi nella diagnosi di DR, rendendo necessaria la segnalazione stratificata di sensibilità/specificità.
4. Raccomandazione Clinica: Gli autori sostengono che l'audit di equità debba concentrarsi sulla sovra-predizione (eccesso di falsi positivi) nelle popolazioni con pigmentazione scura e che la calibrazione post-hoc della soglia sia insufficiente per risolvere queste disparità.

Lo studio conclude che la pigmentazione coroideale è un confondente misurabile e statisticamente significativo che guida la sovra-predizione nella diagnosi di DR, un fenomeno invisibile all'AUC ma rilevabile attraverso l'analisi stratificata per ODCR.