JANUS: Anatomy-Conditioned Gating for Robust CT Triage Under Distribution Shift

Technische Samenvatting: JANUS – Anatomie-geconditioneerde Gating voor Robuuste CT-Triage

Probleemstelling
Geautomatiseerde CT-triage heeft tot doel klinisch significante bevindingen te markeren, waarvan veel worden gedefinieerd door kwantitatieve drempelwaarden (bijvoorbeeld orgaangrootte, vaatdiameter, HU-dichtheid) en niet uitsluitend door visuele verschijning. Hoewel Vision Transformers (ViTs) sterke visuele representaties bieden, missen ze vaak expliciete mechanismen om deze meetinformatie te integreren. Onder distributieveranderingen (bijvoorbeeld wijzigingen in scannerprotocollen of reconstructie-instellingen) kan de visuele verschijning aanzienlijk variëren terwijl de onderliggende anatomie invariant blijft. Eerdere pogingen om deze kloof te overbruggen met behulp van grove statistieken op orgaanniveau of additieve fusie, falen vaak in het bieden van expliciete onderdrukkingsmechanismen, waardoor modellen vastlopen op schijnbare correlaties wanneer visuele en kwantitatieve bewijzen in strijd zijn.

Methodologie: JANUS-architectuur
De auteurs introduceren JANUS, een fysiologie-gestuurde dual-stream architectuur die visuele embeddings conditioneert op macro-radiomische priors via Anatomisch Geleide Gating.

1. Data-inname en voorverwerking:

   • Visuele stroom: 3D-CT-volumes worden bemonsterd in $N$ 2.5D "tri-slices" (het stapelen van aangrenzende slices). Deze worden verwerkt door een vooringeschoolde DINOv3 ViT-backbone om patch-embeddings te extraheren.
   • Symbolische stroom: Segmentatiemaskers (afgeleid van tools zoals TotalSegmentator) worden gebruikt om een ziektespecifiek macro-radiomisch prior-vector ($s_\ell$) te berekenen. Deze vector bevat beschrijvers zoals orgaanvolumes, diameters, densitometrische profielen en vloeistofvolumes. Deze scalairen worden genormaliseerd via z-score.

2. Visuele codering (Organ-gemaskerde attentie):

   • In plaats van standaard globale pooling, hanteert JANUS Dilated ROI-gemaskerde attentiepooling. Voor elke pathologie wordt een specifiek 3D-Region of Interest (ROI)-masker gedefinieerd (bijvoorbeeld de aorta voor aneurysma's).
   • Dit masker wordt gedilateerd om peri-organ context te vangen en wordt uitgelijnd met de tri-slice-bemonstering.
   • Attentiegewichten worden uitsluitend berekend over tokens binnen het ROI, waardoor visuele kenmerken ($z_{v,\ell}$) die specifiek relevant zijn voor de pathologie worden gepoold, terwijl irrelevante achtergrond wordt genegeerd.

3. Anatomisch Geleide Gating (Het kernmechanisme):

   • De macro-radiomische prior-vector $s_\ell$ wordt geprojecteerd via een geleerde lineaire laag en door een sigmoid-functie geleid om een fysiologische gate $g_\ell \in [0, 1]^d$ te produceren.
   • Deze gate moduleert de visuele embedding via elementgewijze vermenigvuldiging (Hadamard-product): $z_{gated,\ell} = z_{v,\ell} \odot g_\ell$.
   • Mechanisme: Dit fungeert als een "Fysiologisch Vetorecht". Als kwantitatieve priors in strijd zijn met het visuele bewijs (bijvoorbeeld een visueel kenmerk suggereert een aneurysma, maar de aortadiameter ligt binnen normale grenzen), kan de gate specifieke dimensies van de visuele embedding dempen, waardoor hoogzekerheids vals-positieven effectief worden onderdrukt.
   • Initialisatie: De gate wordt geïnitieerd om grotendeels open te blijven ($g \approx 0,88$) om stabiele gradiëntstroom te waarborgen, waardoor het model alleen sterkere gating leert wanneer dit wordt ondersteund door trainingsdata.

4. Trainingsdoel:

   • Het model maakt gebruik van een curriculum-gewogen Binary Cross-Entropy (BCE)-verlies over deels waargenomen labels. Ontbrekende labels worden na een initiële warm-upperiode behandeld als zwakke negatieven om onvolledige annotaties, die gebruikelijk zijn in retrospectieve datasets, te verwerken.

Belangrijkste bijdragen

• Architectuur: JANUS operationaliseert het principe dat kwantitatieve metingen visuele voorspellingen moeten beperken, en niet slechts aanvullen. Het introduceert een multiplicatieve bottleneck die structureel de onderdrukking van visueel bewijs mogelijk maakt wanneer dit in strijd is met macro-radiomische priors.
• Maatstaf (Fysiologisch Vetorecht - PVR): De auteurs stellen PVR voor om de onderdrukking van hoogzekerheids basislijn vals-positieven te kwantificeren. Zij definiëren ook Veto Selectiviteit (ratio van vals-positieve onderdrukking tot waar-positieve onderdrukking) om aan te tonen dat het gatingmechanisme selectief is in plaats van uniform de zekerheid te verlagen.
• Empirische validatie: De studie biedt een rigoureuze vergelijking met baselines, waaronder een standaard ViT en ORACLE-CT-varianten, en toont aan dat het specifieke gatingmechanisme additieve fusiestrategieën overtreft.

Resultaten

• Prestatie: Op de MERLIN-testset ($N=5.082$) behaalde JANUS een macro-AUROC van 0,88 en een AUPRC van 0,74, presterend beter dan alle gereproduceerde baselines (ViT-Baseline: 0,84; ORACLE-CT: 0,86).
• Generalisatie: Op een externe dataset ($N=2.000$) van een andere instelling behield JANUS sterke prestaties (AUROC 0,87), aanzienlijk beter dan baselines die prestatiedalingen of stagnatie vertoonden.
• Calibratie: JANUS toonde superieure calibratie (lagere Expected Calibration Error, ECE) op zowel interne als externe datasets.
• Selectiviteit: De analyse van het Fysiologisch Vetorecht toonde aan dat JANUS onder domeinverschuiving hoogzekerheids vals-positieven met 30,8% reduceerde, terwijl slechts 2,85% van de waar-positieven werd beïnvloed, resulterend in een veto-selectiviteit van 10,8$\times$.
• Robuustheid: Onder gesimuleerde scalarcorruptie (tot 50% ruis) degradeerde JANUS op een gecontroleerde manier en bleef boven de ViT-baseline, terwijl additieve fusiemethoden (+OSF) de prestaties van de baseline benaderden.
• Gestratificeerde analyse: De winst was het meest uitgesproken voor bevindingen gedefinieerd door geometrie (grootte) en densitometrie (bijvoorbeeld Aorta-aneurysma, Hepatische steatose). Voor focale pathologieën waarbij orgaanniveau-priors minder informatief zijn (bijvoorbeeld Appendicitis), bleven de prestaties vergelijkbaar met de baseline, waardoor de degradatie die bij additieve fusiemodellen werd waargenomen, werd vermeden.

Betekenis en claims
Het artikel claimt dat JANUS aantoont dat fysisch onderbouwde conditionering zowel discriminatie als betrouwbaarheid in CT-triage verbetert. Door anatomische beperkingen af te dwingen via een multiplicatief gatingmechanisme, wordt het model robuuster tegen distributieveranderingen en beter in het onderdrukken van schijnbare visuele correlaties die niet overeenkomen met kwantitatieve biomerkers. De auteurs concluderen dat deze aanpak een klinisch noodzakelijke stap biedt richting betrouwbare geautomatiseerde triage, met name voor bevindingen die worden gedefinieerd door kwantitatieve drempelwaarden.

Beperkingen
De auteurs erkennen dat JANUS afhankelijk is van een sequentiële pipeline waarbij segmentatie vooraf moet gaan aan gating, wat de bruikbaarheid beperkt voor focale bevindingen die geen duidelijke orgaanniveau-proxy's hebben. Bovendien werd scalarrobustheid geëvalueerd via gesimuleerde corruptie in plaats van realistische segmentatiefouten, en blijft het gebruik van CT-vooringeschoolde backbones toekomstig werk.