Sintesi Tecnica: RadioAI – Deep Learning Fondato sulla Fisica e Interpretabile per la Classificazione di Immagini Mediche Multi-Modali

Problema

Il paper affronta un collo di bottiglia diagnostico causato dalla carenza globale di radiologi e dall'aumento dei volumi di imaging medico. Sebbene il deep learning abbia raggiunto prestazioni paragonabili a quelle dei radiologi in compiti su singola modalità, i sistemi esistenti soffrono di tre criticità fondamentali:

1. Design a Singola Modalità: La maggior parte delle architetture ignora le differenze fisiche fondamentali tra le modalità di imaging (l'attenuazione dei raggi X nella TC, il rilassamento dello spin nucleare nella RM e il backscatter acustico nell'ecografia), fallendo nel coprire più modalità in un'unica applicazione distribuibile.
2. Interpretabilità Post-Hoc: Gli attuali metodi di spiegabilità (es. GradCAM, LIME) vengono applicati dopo l'addestramento e non fanno riferimento ai fenomeni fisici dell'imaging, rendendo difficile per i radiologi verificare perché determinate caratteristiche siano state informative in termini fisici.
3. Novità Non Validata: I nuovi componenti architettonici vengono raramente rimossi sistematicamente per confermarne il contributo, rendendo impossibile distinguere i reali benefici del bias induttivo dalla fortuna legata agli iperparametri.

Gli autori dichiarano esplicitamente di non rivendicare l'accuratezza allo stato dell'arte; piuttosto, mirano a dimostrare che il design dei componenti fondato sulla fisica è empiricamente validabile e a fornire un framework di valutazione riproducibile per l'IA medica interpretabile.

Metodologia

RadioAI è un sistema di supporto alle decisioni cliniche multi-modale che integra tre architetture di deep learning fondate sulla fisica con un'interfaccia Streamlit unificata e un "Gatekeeper" per il routing automatico della modalità.

1. Dataset e Pre-elaborazione

• TC Torace: 1.000 immagini (4 classi: 3 sottotipi di cancro, normale). Sono stati utilizzati slice 2D con un'aumentazione a 8 pieghe per simulare volumi 3D.
• RM Cerebrale: 7.200 immagini (4 classi bilanciate). La pre-elaborazione ha incluso denoising, CLAHE e normalizzazione z-score.
• Ecografia Mammaria (BUSI): 780 immagini (3 classi: benigno, maligno, normale). La pre-elaborazione ha comportato la conversione in scala di grigi e la normalizzazione.

2. Architetture Specifiche per Modalità

Ogni architettura codifica un'ipotesi fisica come vincolo strutturale anziché come regolarizzatore appreso:

• DPMS-LSW (Cancro al Polmone TC):
  • Ipotesi: I sottotipi di cancro sono discriminabili dalla texture 2D a molteplici scale spaziali, e il contesto inter-slice fornisce segnale nei volumi 3D.
  • Struttura: Un Percorso Locale (EfficientNet-B2 + Attenzione Spaziale Multi-Scala) e un Percorso Globale (ResNet-34 + Ponderazione Slice Apprendibile + Transformer) sono fusi tramite Cross-Attention.
• TARNet (Ecografia Mammaria):
  • Ipotesi: I fenomeni acustici (attenuazione, backscatter, ombreggiatura) sono distinti e rimovibili.
  • Struttura: Tre rami nominati:
    1. Ramo di Attenuazione: Modella il decadimento esponenziale della profondità tramite una curva sigmoide apprendibile.
    2. Ramo di Backscatter: Cattura la texture dell'ecogenicità a molteplici scale.
    3. Ramo di Ombra Acustica: Modella gli artefatti da ombra acustica posteriore.
  • Interpretabilità: Un Acoustic Composition Gate (ACG) assegna pesi a questi rami, visualizzati come un grafico radar clinico.
• MSCAF (Tumore Cerebrale RM):
  • Ipotesi: I tipi di tumore sono caratterizzati da caratteristiche a scale spaziali qualitativamente diverse.
  • Struttura: Tre scale CNN (texture fine, nitidezza del bordo, morfologia grossolana) fuse con un ramo Transformer globale tramite Per-Scale Cross-Attention.

3. Integrazione del Sistema

• Gatekeeper: Un modello MobileNetV3-Small instrada qualsiasi scansione alla corretta architettura specifica della modalità senza l'intervento del clinico. Una soglia di confidenza di 0,60 attiva un prompt di override se il routing è incerto.
• Stack di Interpretabilità:
  1. Livello 1: Mappe di attivazione GradCAM (spaziali, post-hoc).
  2. Livello 2: Grafici radar fisici di TARNet (intrinseci al modello, causali, espressi in terminologia acustica).
  3. Livello 3: Template di spiegazione clinica strutturata (linguaggio naturale che fa da ponte tra l'output del modello e il vocabolario del clinico).

4. Protocollo di Ablazione

Sono stati condotti nove esperimenti di ablazione controllata su 21 modelli addestrati. I componenti sono stati rimossi uno alla volta per misurare la caduta di accuratezza, validando se il design fondato sulla fisica fosse necessario.

Risultati Chiave

Lo studio riporta accuratezza e punteggi macro-F1 su set di test/validazione tenuti fuori dal training, con intervalli di confidenza di Wilson al 95% calcolati per valutare la robustezza statistica.

• TC (DPMS-LSW):
  • Accuratezza di Validazione: 90,28% (4 classi).
  • Ablazione: La rimozione della Multi-Scale Attention ha causato un calo del −5,56%, validando l'ipotesi della texture multi-scala. Il Percorso Globale (contesto inter-slice) ha mostrato uno 0% di calo, attribuito all'uso di pseudo-volumi (slice 2D aumentate) privi di vera diversità 3D.
• RM (MSCAF):
  • Accuratezza di Validazione: 89,62% (4 classi).
  • Ablazione: La rimozione della struttura multi-scala (SingleScale) ha causato il calo più significativo tra tutti gli esperimenti (−11,62%), con intervalli di confidenza non sovrapposti che confermano l'ipotesi spaziale multi-scala. Interessante notare che la rimozione del ramo Transformer ha migliorato l'accuratezza di +4,26%, indicando che il ViT addestrato da zero ha introdotto rumore nel dataset di 5.600 immagini.
• Ecografia (TARNet):
  • Accuratezza di Test: 83,76% (3 classi), superando ResNet50 di +4,27% nonostante i limitati dati di addestramento (546 immagini).
  • Ablazione: La rimozione del Ramo di Ombra Acustica ha causato il calo più severo (−7,69%). La classifica degli impatti di ablazione (Ombra > Backscatter = Attenuazione) ha rispecchiato la gerarchia clinica dei discriminatori acustici per la malignità.
• Gatekeeper: Ha instradato con successo le scansioni con alta confidenza, attivando l'override manuale solo quando la confidenza scendeva sotto lo 0,60.

Significato e Rivendicazioni

Il paper inquadra il proprio contributo come uno studio di misurazione e validazione del design piuttosto che come un puro benchmark di accuratezza. Le sue rivendicazioni primarie sono:

1. Validabilità Empirica: Il design dei componenti fondato sulla fisica è empiricamente validabile. La metodologia di ablazione controllata ha dimostrato con successo che la rimozione di specifici vincoli fisici (es. modellazione dell'ombra acustica, attenzione spaziale multi-scala) porta a cali di accuratezza statisticamente interpretabili.
2. Bias Induttivo rispetto alla Complessità: I risultati suggeriscono che la "specificità fisica" — e non la complessità architettonica — guida i benefici interpretabili. I componenti generici (come un Transformer addestrato da zero su dati limitati o percorsi globali su pseudo-volumi) spesso non hanno aiutato o hanno attivamente danneggiato le prestazioni.
3. Sistema Unificato Distribuibile: RadioAI è il primo sistema che abbraccia CT, RM ed Ecografia in un'unica applicazione con routing automatico della modalità e interpretabilità multi-livello.
4. Spiegabilità Intrinseca al Modello: Il grafico radar di TARNet fornisce una spiegazione intrinseca al modello in terminologia acustica clinica, distinta dai metodi di attribuzione dei pixel post-hoc.

Gli autori riconoscono i limiti, tra cui l'uso di pseudo-volumi per la TC, il rumore introdotto dai Transformer addestrati da zero per la RM e la mancanza di una validazione clinica prospettica. Posizionano l'applicazione Streamlet distribuita come uno strumento di dimostrazione della ricerca per consentire la riproduzione indipendente dei risultati di inferenza e delle metodologie di ablazione.