Explainable Cross-Disease Reasoning for Cardiovascular Risk Assessment from Low-Dose Computed Tomography

Technische Samenvatting: Verklaarbare Interziekte-Redenering voor Cardiovasculair Risicobeoordeling op Basis van Laagdosis-Computertomografie

1. Probleemstelling

Laagdosis-thoraxcomputertomografie (LDCT) is de standaard van zorg voor longkankerscreening, maar vangt inherent zowel pulmonale als cardiale structuren. Hoewel epidemiologische evidentie een bidirectioneel verband aantoont tussen longkanker en cardiovasculaire ziekte (CVZ) – gedreven door gedeelde mechanismen zoals systemische ontsteking en oxidatieve stress – behandelen huidige computationele benaderingen deze domeinen geïsoleerd. Predominante methoden modelleren longkankerdetectie en CVZ-risicofratering als aparte taken, waarbij pulmonale knobbels en cardiale structuren onafhankelijk worden geanalyseerd. Deze "radiologische isolatie" gooit kritieke interorgaaninformatie weg. Bovendien functioneren bestaande interziekte- of foundationmodellen vaak als black boxes, die slechts grove post-hoc-toeschrijvingen bieden in plaats van expliciete, interpreteerbare redeneringspaden die pulmonale bevindingen koppelen aan cardiale uitkomsten. De uitdaging ligt in het benutten van de latente, multi-stap fysiologische relatie tussen pulmonale afwijkingen en cardiovasculair risico, zonder uitsluitend te vertrouwen op ongestructureerde feature-concatenatie of ondoorzichtige deep learning-modellen.

2. Methodologie

De auteurs stellen een Verklaarbaar Interziekte-Redeneringskader voor dat een enkele LDCT-scan behandelt als een kennisdragende bron voor cardiopulmonale risicobeoordeling. De architectuur decomposeert de predictietaken in vier klinisch onderbouwde componenten, georganiseerd in drie onderling verbonden paden:

• Dual-Pad Visuele Perceptie:

  • Long-Risico Prior: Een bevroren Longkanker-Risicopredictor (gebaseerd op Sybil) verwerkt het volledige longvolume om een temporale maligniteitsrisicovector te extraheren. Dit dient als een hoog-niveau proxy voor chronische systemische ontsteking en totale ziektebelasting, en fungeert als een contextuele prior in plaats van een directe klinische output.
  • Cardiale Feature-extractie: Een Cardiale Lokalisatiemodule isoleert het cardiale subvolume (ROI) om thoracale achtergrondruis te verwijderen. Een trainbare 3D CNN (MedicalNet-ruggengraat) codeert vervolgens fijnmazige morfologische biomerkers (bijv. coronaire arterie-calcificatie, kamergeometrie) in een dichte representatie.

• Agentische Pulmonale-naar-Cardiale Redenering:

  • Pulmonale Perceptiemodule: Een deterministische interface (met CT-CLIP) vertaalt het LDCT-volume naar een gestructureerde set genormaliseerde pulmonale bevindingen (concept, beschrijving, vertrouwen). Dit creëert een discrete bottleneck, waardoor de redenerende agent geen toegang heeft tot ruwe voxels of patiëntmetadata.
  • Kennisredenerende Agent: Gegeven de gestructureerde bevindingen en een gecureerd cardiopulmonaal kenniscorpus (opgehaald via tekstgelijkenis), construeert deze agent een mechanismegrafiek. Hij koppelt bevindingen aan intermediaire mechanismen (bijv. hypoxemie, systemische ontsteking) en cardiopulmonale effecten (bijv. pulmonale hypertensie), waarbij elke link wordt ondersteund door opgehaalde evidentie.
  • Diagnostische Redenerende Agent: Deze agent synthetiseert de mechanismegrafiek tot een beperkte rationale in natuurlijke taal. De output is een gestructureerde staat die mechanismen, effecten en een beknopte rationale bevat, strikt beperkt om te voorkomen dat patiëntgeschiedenis wordt gehallucineerd of directe diagnostische uitspraken worden gedaan.

• Kennisbewuste Multimodale Fusie:

  • Een semantische encoder projecteert de tekstuele rationale in een latente embedding.
  • De uiteindelijke predictor fuseert drie genormaliseerde representaties: de cardiale visuele features, de bevroren long-risico prior en de redeneringsafgeleide rationale-embedding.
  • Een taakspecifieke head voorspelt CVZ-screeningstatus en CVZ-mortaliteit met behulp van binaire cross-entropy-verlies. Alleen de cardiale encoder en fusieheads zijn trainbaar; de perceptie-, redenerings- en long-risicomodules blijven bevroren of extern geïnstancieerd om te waarborgen dat het redeneringspad auditabel is.

3. Belangrijkste Bijdragen

• Formulering van Interziekte-Redenering: Het artikel formuleert LDCT-gebaseerde CVZ-predictie als een expliciet redeneringsprobleem, waarbij pulmonale bevindingen worden omgezet in mechanismeniveau-cardiovasculaire hypothesen in plaats van ze te behandelen als ongestructureerde hulpfeatures.
• Auditabel Multimodaal Kader: De auteurs ontwikkelen een kader dat predicties verankert in gelokaliseerde cardiale visuele evidentie, terwijl het een transparant, stap-voor-stap pulmonaal-naar-cardiaal redeneringspad blootlegt. Dit verschuift de Large Language Model (LLM) van een generieke tekstaggregator naar een beperkt, kennisredenerend component.
• Gerichte Evaluatiesuite: De studie biedt een rigoureuze evaluatieprotocol, inclusief cardiaspecifieke baselines, vision-only fusiecontroles, gestructureerde semantische controles, vaste-regelpropagatie en redenerings-backend-ablaties om de bron van prestatiewinst te isoleren.

4. Experimentele Resultaten

Experimenten werden uitgevoerd op de National Lung Screening Trial (NLST)-cohort (32.136 LDCT-scans van 10.395 proefpersonen).

• Prestaties: Het voorgestelde kader bereikte state-of-the-art prestaties met een AUC van 0,919 voor CVZ-screening en 0,838 voor CVZ-mortaliteitspredictie (met een 3D ResNet-200-ruggengraat). Dit presteerde beter dan sterke baselines, waaronder foundationmodellen (M3FM, Sybil) en gespecialiseerde cardiale modellen (DeepCAC, KAMP-Net).
• Ablatiestudies:
  • Alleen Cardiaal Regio: Bereikte gematigde prestaties (AUC ~0,886 voor screening), wat de waarde van gelokaliseerde cardiale morfologie benadrukt.
  • Alleen Longregio: Presteerde slecht (AUC ~0,73), wat aangeeft dat pulmonale visuele evidentie alleen ontoereikend is.
  • Fusie: Het toevoegen van de long-risico prior en de redeneringsvertakking leverde incrementele winst op, wat aantoont dat systemische context en mechanismeniveau-redenering lokale cardiale features complementeren.
• Controlevarianten: De prestatiewinst werd niet verklaard door simpelweg meer thoracale visuele features toe te voegen (vision-only fusie), vaste regelpropagatie of een enkele proprietaire redenerings-backend. De gestructureerde redeneringsbenadering presteerde beter dan vaste regels en alternatieve LLM-backends (Qwen, Baichuan), wat suggereert dat de winst voortkomt uit de specifieke interziekte-formulering.
• Robuustheid: Het model toonde veerkracht tegen verstoringen in de extractie van pulmonale bevindingen (bijv. variërende vertrouwensdrempels of willekeurige dropout van bevindingen) en behield prestaties over verschillende redenerings-backends, wat de haalbaarheid van lokale implementatie ondersteunt.

5. Betekenis en Claims

Het artikel stelt dat de primaire betekenis ligt in het bieden van een auditabele aanpak voor interziekte cardiovasculair risicobeoordeling. Door de fysiologische wisselwerking tussen long en hart expliciet te modelleren via een beperkt redeneringspad, gaat het kader voorbij aan de "black box"-karakteristiek van huidige deep learning-modellen.

• Interpreteerbaarheid: Het systeem genereert rationale in natuurlijke taal die is verankerd in medische kennis en gekoppeld aan specifieke pulmonale bevindingen, waardoor clinici de logica kunnen inspecteren (bijv. hoe fibrose leidt tot hypoxemie en vervolgens tot hartfalenrisico).
• Klinische Bruikbaarheid: Het kader maakt gebruik van LDCT-scans die al zijn verkregen voor longscreening, en biedt zo een opportunistisch venster voor CVZ-beoordeling zonder aanvullende scans of handmatige calciumscores te vereisen.
• Modulariteit: Het ontwerp scheidt risicopriors, perceptie, redenering en cardiale evidentie, waardoor individuele componenten kunnen worden bijgewerkt of vervangen (bijv. met betere lokale LLM's) zonder het hele systeem opnieuw te trainen of het evaluatieprotocol te wijzigen.

De auteurs blijven bescheiden wat betreft klinische implementatie, met de opmerking dat de gegenereerde rationale mechanismeniveau-verklaringen zijn in plaats van causaal bewijs, en dat prospectieve validatie over diverse scanners en populaties vereist is voordat klinische adoptie mogelijk is.