DNA-Inspired Symbolic Encoding with Adaptive Block-level Hybrid CGR-FCGR Features for Osteoporosis Progression Detection

Sintesi Tecnica: Codifica Simbolica ispirata al DNA con Caratteristiche Ibride CGR-FCGR Adattive a Livello di Blocco per il Rilevamento della Progressione dell'Osteoporosi

Problematica
L'osteoporosi è un disturbo scheletrico progressivo caratterizzato da una riduzione della densità minerale ossea (BMBM) e dal deterioramento della microarchitettura trabecolare, che porta a un aumento del rischio di frattura. Sebbene la densitometria ossea a doppia energia (DXA) rimanga il gold standard clinico per la diagnosi, il suo elevato costo, la limitata accessibilità e la necessità di infrastrutture specializzate ne ostacolano lo screening diffuso, particolarmente nei contesti con scarse risorse. Sebbene le radiografie comuni (raggi X) siano ampiamente disponibili, le tecniche tradizionali di valutazione visiva soffrono di soggettività e dipendono dall'esperienza clinica. Gli approcci di deep learning esistenti spesso mancano di interpretabilità, richiedono dataset annotati massicci o si concentrano su rappresentazioni globali che perdono le minime differenze strutturali locali critiche per una diagnosi precoce. Inoltre, molti metodi attuali non riescono a catturare efficacemente le complesse alterazioni di tipo frattale dei pattern ossei trabecolari intrinseche all'osteoporosi.

Metodologia
Il framework proposto introduce una nuova pipeline che integra l'analisi spaziale guidata dall'entropia, la codifica simbolica ispirata al DNA e un'architettura di deep learning ibrida (HTGCA-Net) per classificare l'osteoporosi da immagini radiografiche dell'anca. La metodologia procede attraverso le seguenti fasi:

1. Divisione in Blocchi Adattiva Guidata dall'Entropia:
   Invece di una partizione a griglia uniforme, il sistema utilizza l'entropia di Shannon per dividere dinamicamente l'immagine radiografica preelaborata in blocchi. Le regioni che esibiscono un'elevata complessità testurale (alta entropia) vengono suddivise ricorsivamente in sottoblocchi $2 \times 2$ più fini, mentre le regioni omogenee vengono mantenute a un livello più grossolano. Questa strategia adattiva concentra le risorse computazionali sulle aree diagnosticamente significative, come l'assottigliamento trabecolare e la discontinuità corticale, riducendo al contempo la ridondanza nelle regioni uniformi.

2. Codifica Simbolica ispirata al DNA:
   Per facilitare l'analisi basata su sequenze, le intensità dei pixel in scala di grigi vengono convertite in sequenze simboliche. Ogni valore del pixel (0–255) è rappresentato come una stringa binaria a 8 bit, che viene poi partizionata in quattro segmenti non sovrapposti da 2 bit ciascuno. Questi segmenti sono mappati in simboli nucleotidici (A, T, G, C) utilizzando una regola di codifica predefinita (ad esempio, 00 $\to$ A, 01 $\to$ G, 10 $\to$ C, 11 $\to$ T). Ciò trasforma l'immagine in una sequenza simbolica di tipo DNA di lunghezza $L = 4 \times M \times N$.

3. Estrazione di Caratteristiche Ibride (CGR e FCGR):
   Le sequenze simboliche vengono analizzate utilizzando due tecniche complementari:

   • Chaos Game Representation (CGR): Questa tecnica mappa la sequenza simbolica in uno spazio di coordinate 2D per catturare la ricorrenza spaziale e i pattern frattali. La distribuzione delle coordinate risultante viene discretizzata in una matrice di densità, catturando le caratteristiche strutturali spaziali e le transizioni di intensità locale.
   • Frequency Chaos Game Representation (FCGR): Questa tecnica quantifica la distribuzione di frequenza delle sottosequenze $k$-mer (combinazioni di nucleotidi contigue) all'interno della sequenza simbolica. La matrice FCGR fornisce una prospettiva statistica, nel dominio della frequenza, della texture ossea, catturando dipendenze globali e motivi strutturali ripetitivi.
   • Fusione delle Caratteristiche: I descrittori spaziali da CGR e le statistiche basate sulla frequenza da FCGR vengono concatenati per formare un vettore di caratteristiche ibride ad alta dimensionalità (71.680 caratteristiche), integrando variazioni strutturali locali e pattern statistici globali.

4. Architettura HTGCA-Net:
   Le caratteristiche ibride estratte vengono elaborate da una rete Hybrid Transformer-GRU Context Attention Network (HTGCA-Net). L'architettura consiste in:

   • Strato Conv1D: Estrae le dipendenze locali tra le caratteristiche vicine.
   • Transformer Encoder: Utilizza l'auto-attenzione multi-testa (multi-head self-attention) per modellare le dipendenze globali a lungo raggio all'interno della sequenza di caratteristiche.
   • BiGRU (Bidirectional GRU): Cattura il contesto sequenziale sia in direzione diretta che inversa.
   • Meccanismo di Context-Attention: Assegna pesi di importanza alle caratteristiche in base a un vettore di contesto addestrabile, focalizzandosi sulle regioni più discriminanti.
   • Testa di Classificazione: Uno strato completamente connesso con attivazione Softmax (per la multiclasse) o Sigmoide (per la binaria) per la previsione finale.

Contributi Chiave
L'articolo delinea cinque contributi primari:

1. Partizione Adattiva Guidata dall'Entropia: Una strategia di divisione in blocchi dinamica che affina le regioni di irregolarità testurale, migliorando la rappresentazione delle variazioni trabecolari locali.
2. Codifica Simbolica ispirata al DNA: Un metodo per convertire i pattern di intensità in scala di grigi in sequenze nucleotidiche, consentendo l'applicazione di tecniche di analisi frattale e basate su sequenze a immagini mediche.
3. Rappresentazione delle Caratteristiche Multi-Dominio: L'integrazione di CGR (spaziale/frattale) e FCGR (frequenza/statistica) per fornire una descrizione completa della morfologia ossea trabecolare.
4. Strategia di Fusione: Un approccio di fusione delle caratteristiche ibride che combina i pattern di ricorrenza spaziale con le statistiche simboliche basate sulla frequenza per migliorare la capacità discriminativa tra stati normali, osteopenici e osteoporotici.
5. HTGCA-Net: Una nuova architettura di deep learning che sinergizza strati convoluzionali, encoder Transformer, unità BiGRU e attenzione di contesto per apprendere dipendenze gerarchiche per una classificazione robusta, sia binaria che multiclasse.

Risultati Sperimentali
Il framework è stato valutato su un dataset clinicamente validato di 1.678 radiografie dell'anca raccolte nell'ambito di un progetto ICMR, con etichette derivate dai criteri del T-score WHO (Normale, Osteopenia, Osteoporosi). Gli esperimenti sono stati condotti con split paziente-specifici (60:40, 70:30, 80:20, 90:10) per garantire l'assenza di data leakage.

• Classificazione Binaria (Normale vs. Osteoporosi): Utilizzando uno split 80:20, l'approccio delle caratteristiche ibride ha raggiunto un'accuratezza di 0,98, con un F1-score macro-mediato di 0,99. Questo ha superato le caratteristiche standalone CGR e FCGR, che hanno raggiunto accuratezze di circa 0,97.
• Classificazione Multiclasse (Normale, Osteopenia, Osteoporosi): L'approccio ibrido ha raggiunto un'accuratezza di 0,92 sotto lo split 80:20, con F1-score macro-mediati di 0,92.
• Studio di Ablazione: Rimuovendo componenti chiave (Transformer, BiGRU o Attention), si sono verificati cali di performance del 2–4%, confermando la necessità di ciascun modulo. Il modello di base (Conv1D + Dense) ha mostrato un degrado significativo (circa il 15% di calo nell'accuratezza binaria), evidenziando l'importanza dell'architettura ibrida.
• Confronto: Il metodo proposto ha dimostrato prestazioni competitive o superiori rispetto ai metodi allo stato dell'arte esistenti (ad esempio, ResNet, EfficientNet e varie CNN ensemble) in termini di sensibilità, specificità e accuratezza.

Significatività e Rivendicazioni
L'articolo sostiene che il framework proposto offre una soluzione affidabile, economica e scalabile per lo screening dell'osteoporosi utilizzando radiografie comuni ampiamente disponibili. Combinando l'analisi spaziale guidata dall'entropia con la codifica simbolica ispirata al DNA e il deep learning ibrido, il sistema cattura efficacemente le sottili differenze morfologiche che spesso sfuggono agli approcci convenzionali globali o a livello di pixel.

Gli autori sottolineano che la rappresentazione delle caratteristiche ibride CGR-FCGR fornisce una descrizione della texture ossea più robusta e discriminativa rispetto ai singoli set di caratteristiche, portando a una prestazione stabile attraverso diverse distribuzioni di dati. L'inclusione dei meccanismi di attenzione migliora l'interpretabilità evidenziando i cambiamenti strutturali clinicamente significativi. Lo studio posiziona il sistema come uno strumento di supporto allo screening destinato a migliorare l'accessibilità alla rilevazione dell'osteoporosi, specialmente in contesti in cui la DXA non è disponibile, piuttosto che come un sostituto diretto della misurazione quantitativa della BMD.

Limitazioni e Lavoro Futuro
Gli autori riconoscono che l'attuale framework si concentra sulla predizione di classi discrete piuttosto che sulla stima diretta della BMD. Inoltre, la codifica simbolica potrebbe non catturare tutte le complesse variazioni anatomiche e la complessità del modello richiede l'ottimizzazione per ambienti con risorse limitate. Il lavoro futuro mira ad estendere il framework verso la modellazione basata sulla regressione per la stima diretta della BMD, incorporare tecniche di visualizzazione clinicamente interpretabili e validare il metodo su dataset più ampi e multicentrici con diverse demografie.