SY-CNN+: Synthetic-Data-Enhanced Hybrid Learning for Clinical Photograph-Based Eyelid Tumor Classification

Sintesi Tecnica: SY-CNN+ per la Classificazione dei Tumori delle Palpebre

Problematica
Distinguere tra tumori palpebrali maligni e benigni dalle fotografie cliniche è un compito critico ma impegnativo in oftalmologia. Le lesioni maligne, come il carcinoma delle ghiandole sebacee (SGC) e il melanoma, possono simulare condizioni benigne come calazio o cisti, portando a diagnosi ritardate, un aumento del rischio di metastasi e interventi chirurgici non necessari. Questa difficoltà diagnostica è esacerbata negli ambienti di assistenza primaria o in contesti con scarse risorse, dove l'esperienza specialistica è limitata. Inoltre, lo sviluppo di modelli di IA robusti per questo compito è ostacolato dalla scarsità di dataset di immagini mediche di alta qualità e diversificati. I tumori rari sono difficili da raccogliere, la cura delle immagini è laboriosa e le restrizioni sulla privacy dei pazienti limitano la condivisione dei dati. Le tecniche tradizionali di aumento dei dati (ad es. rotazione, ritaglio) spesso non riescono a generare variazioni patologiche clinicamente rilevanti, come margini ulcerati o pigmentazione eterogenea, che sono essenziali per distinguere la malignità.

Metodologia: Framework SY-CNN+
Gli autori propongono SY-CNN+ (Synthetic-Data-Enhanced Convolutional Neural Network+), un framework di apprendimento ibrido progettato per affrontare la scarsità di dati attraverso l'aumento sintetico e un'architettura di classificazione a due stadi.

1. Fonti dei Dati e Partizionamento:

   • Lo studio ha utilizzato 3.041 immagini cliniche da 881 pazienti dell'Ospedale Oculistico di Ningbo.
   • Il dataset è stato suddiviso in una coorte retrospettiva (2.992 immagini da 863 pazienti) e una coorte di test prospettica (49 immagini da 18 pazienti).
   • La coorte retrospettiva è stata partizionata in set di training, validazione e test1 utilizzando una divisione indipendente a livello di paziente (rapporto approssimativo 8:1:1) per prevenire la fuga di dati (data leakage). L'allocazione stratificata ha garantito rapporti costanti tra maligni e benigni tra i set.

2. Generazione di Dati Sintetici:

   • Per aumentare il set di addestramento, gli autori hanno impiegato Reti Generative Avversarie (GAN) e modelli di Diffusione.
   • Le immagini sintetiche sono state generate solo dal set di addestramento utilizzando l'addestramento condizionale alla classe per preservare l'integrità delle etichette. Nessuna immagine di validazione o di test è stata utilizzata per la generazione.
   • La strategia di aumento è stata controllata da un rapporto tra sintetico e reale ($n$), testato ai valori di 0, 0.5, 1, 2, 3, 4, e 5.

3. Architettura Ibrida (CNN+):

   • Estrazione delle Caratteristiche: Il framework utilizza backbone CNN (ResNet18, ResNet50, VGG11, VGG16) per estrarre le caratteristiche delle immagini. Le immagini in input sono state ridimensionate a 64x64x3.
   • Classificazione Downstream: Inveve di fare affidamento esclusivamente sull'ultimo strato softmax della CNN, i vettori di caratteristiche estratti sono stati inseriti in separati classificatori di machine learning: Naive Bayes (NB), Support Vector Machine (SVM), Random Forest (RF) ed Extreme Gradient Boosting (XGBoost).
   • Processo di Selezione: Il set di validazione è stato utilizzato per determinare la configurazione ottimale del modello (backbone + classificatore) e il rapporto ottimale tra sintetico e reale ($n$).

4. Protocollo di Valutazione:

   • Il modello selezionato è stato valutato sul set test1 retrospettivo e sulla coorte test2 prospettica.
   • Le prestazioni sono state misurate tramite accuratezza, F1-score, matrici di confusione, curve ROC e coefficiente di correlazione di Matthews (MCC).
   • È stata condotta una comparazione esplorativa contro due clinici volontari (uno senior, uno junior) sul set test1.

Risultati Chiave

• Configurazione Ottimale: Il modello con le migliori prestazioni è stato l'aumento basato su GAN combinato con l'estrazione delle caratteristiche ResNet50 e la classificazione XGBoost, con un rapporto tra sintetico e reale di $n=4$.
• Metriche di Prestazione:
  • Test1 Retrospettivo: Ha raggiunto un'accuratezza del 92,0% (95% CI: 88,5–95,5%) e un F1-score dell'87,2%.
  • Test2 Prospettico: La stessa configurazione ha ottenuto un'accuratezza dell'89,8% e un F1-score dell'82,8%.
• Comparazione con i Modelli di Diffusione: Sebbene le immagini generate tramite diffusione abbiano mostrato punteggi di distanza di Fréchet Inception (FID) inferiori (indicando una maggiore fedeltà visiva), l'aumento basato su GAN ha prodotto prestazioni di classificazione downstream superiori. Ciò suggerisce che le metriche di qualità dell'immagine da sole non predicono completamente l'utilità per specifici compiti diagnostici.
• Comparazione con i Clinici: Nella comparazione basata solo sulle immagini, il modello GAN-ResNet50+XGBoost ($n=4$) ha superato sia il clinico senior che quello junior in termini di accuratezza per immagine e F1-score.
• Limitazioni Osservate: Nonostante l'alta accuratezza, il modello ha mostrato un tasso di falsi negativi del 18,0% per i tumori maligni sul set di test retrospettivo, evidenziando il rischio di diagnosi mancate.

Contributi Chiave

1. Strategia di Apprendimento Ibrida: Dimostra l'efficacia della combinazione dell'estrazione delle caratteristiche CNN con i classificatori di machine learning classici (specificamente XGBoost) in un contesto di imaging medico con dati limitati.
2. Valutazione dei Dati Sintetici: Fornisce prove empiriche del fatto che l'aumento dei dati sintetici può migliorare le prestazioni di classificazione nella diagnosi dei tumori delle palpebre, sottolineando al contempo che la scelta del modello generativo (GAN vs. Diffusione) e il rapporto di aumento ($n$) devono essere calibrati in base alle prestazioni del compito downstream piuttosto che sulla sola qualità dell'immagine.
3. Validazione Prospettica: Include una coorte di test prospettica, offrendo una valutazione più rigorosa rispetto agli studi puramente retrospettivi.

Significatività e Rivendicazioni
Gli autori affermano che SY-CNN+ offre un approccio pratico per la classificazione dei tumori delle palpebre in ambienti con scarsità di dati. Lo studio supporta l'uso dell'aumento sintetico e dell'apprendimento ibrido basato su CNN per migliorare l'accuratezza diagnostica laddove le risorse specialistiche sono limitate.

Tuttavia, il documento mantiene un tono modesto riguardo all'implementazione clinica. Gli autori dichiarano esplicitamente che il modello non dovrebbe essere utilizzato come strumento diagnostico autonomo a causa del tasso osservato di falsi negativi per i tumori maligni. Invece, propongono il suo ruolo a breve termine come un sistema di supporto alle decisioni cliniche per aiutare a identificare le lesioni sospette per una successiva revisione specialistica. Gli autori riconoscono che sono necessarie coorti multicentriche più ampie, modelli ad alta risoluzione e confronti più estesi con i clinici prima che il sistema possa essere considerato per l'uso clinico di routine.