Resumo Técnico: Um Sistema de Deep Learning com Infusão de Atenção e Visualização Grad-CAM para Triagem Precoce de Glaucoma

Declaração do Problema

A detecção do glaucoma, uma das principais causas de cegueira evitável, depende fortemente da análise de imagens de fundo de olho. As Redes Neurais Convolucionais (CNNs) tradicionais, embora estabelecidas na imagem médica, enfrentam limitações ao capturar detalhes infinitesimais e relações contextuais globais dentro das imagens de fundo de olho, que são críticas para distinguir verdadeiros positivos de falsos positivos. Por outro lado, os Vision Transformers (ViT) destacam-se na modelagem de contexto global, mas frequentemente carecem dos vieses indutivos necessários para detectar características locais sutis e exigem grandes quantidades de dados. Além disso, a natureza de "caixa-preta" de muitos modelos de deep learning dificulta a confiança clínica e a explicabilidade, particularmente em ambientes com recursos limitados onde o diagnóstico precoce é vital.

Metodologia

A pesquisa proposta introduz uma arquitetura híbrida de deep learning que funde as capacidades de extração de características locais das CNNs com a modelagem de contexto global dos Vision Transformers, mediada por um mecanismo de Cross-Attention.

1. Preparação do Conjunto de Dados

O estudo utiliza um conjunto de dados híbrido combinando dois repositórios públicos de imagens de fundo de olho:

• ACRIMA: Originário da Universidade de Alicante, Espanha, distribuído em uma proporção de 80:20 para treinamento/teste.
• Drishti: Originário do IIIT-Hyderabad (Aravind Eye Hospital), distribuído em uma proporção de 50:50.
• Composição Total: O conjunto de dados combinado compreende 814 imagens (344 normais, 470 com glaucoma). O conjunto de treinamento contém 618 imagens e o conjunto de teste contém 196 imagens.
• Pré-processamento: As imagens foram redimensionadas para 224×224 pixels, normalizadas (0–1) e aumentadas utilizando color jitter, flips horizontais aleatórios, transformações afins, rotações, desfoque Gaussiano e recortes de redimensionamento aleatório para lidar com o desequilíbrio de classes e melhorar a generalização.

2. Arquitetura do Modelo

A inovação central é um modelo de fusão composto por cinco componentes principais:

• Backbone CNN: O EfficientNet-B0 é empregado para extrair características locais, como limites do disco/escavação óptica e espessura da fibra nervosa, aproveitando sua eficiência e capacidade de lidar com dados limitados.
• Vision Transformer (ViT): Utilizado para capturar relações contextuais globais através da imagem via camadas de self-attention, compensando a sensibilidade espacial limitada da CNN.
• Mecanismo de Cross-Attention: Este módulo facilita a troca bidirecional de características entre os fluxos da CNN e do ViT. Ele pondera adaptativamente as características de ambas as modalidades para criar uma representação fundida, permitindo que o modelo priorize dinamicamente regiões clinicamente relevantes.
• Cabeça de Classificação: As características fundidas passam por uma camada totalmente conectada para redução de dimensionalidade, seguida por uma camada de classificação binária com uma função de ativação sigmoide.
• Configuração de Treinamento: O modelo foi treinado por 50 épocas com um tamanho de lote (batch size) de 16 em um Apple Silicon M3 Pro. A otimização utilizou o otimizador Adam com uma taxa de aprendizado de 5e-4, decaimento de peso de 1e-4 e um escalonador CosineAnnealingLR. Clipping de gradiente (maxnorm 1.0) e checkpointing automatizado foram implementados.

3. Explicabilidade

Para abordar a opacidade dos modelos de deep learning, o sistema integra o Grad-CAM (Gradient-weighted Class Activation Mapping). Esta técnica gera mapas de calor para visualizar as regiões específicas da imagem de fundo de olho (ex: disco e escavação óptica) que o modelo prioriza durante a classificação, aumentando assim a interpretabilidade para profissionais médicos.

Principais Contribuições

• Arquitetura Híbrida: A integração bem-sucedida do EfficientNet-B0 e ViT via um módulo de Cross-Attention, criando um modelo que aproveita tanto a extração de características locais quanto globais.
• Eficácia do Cross-Attention: Demonstração de que a troca bidirecional de características supera significativamente mecanismos simples de concatenação ou self-attention neste domínio médico específico.
• IA Explicável (XAI): A aplicação do Grad-CAM para validar que o modelo foca em marcadores clinicamente significativos (aumento do disco/escavação óptica, afinamento do rebordo neuroretiniano) em vez de artefatos.
• Generalização Robusta: O uso de um conjunto de dados combinado de múltiplas fontes para melhorar o desempenho do modelo em diversas populações, notando especificamente a inclusão de dados de fundo de olho indianos (Drishti) para apoiar a aplicabilidade global.

Resultados

O modelo híbrido proposto alcançou um desempenho superior comparado às bases de comparação isoladas e variantes sem atenção:

• Acurácia: O modelo completo (EfficientNet-B0 + ViT + Cross-Attention) alcançou 94,79% de acurácia no conjunto de teste.
• Desempenho Comparativo:
  • EfficientNet-B0 + ViT (Concatenação, Sem Atenção): 91,67%
  • EfficientNet-B0 + ViT + Self-Attention: 87,62%
  • Apenas ViT: 86,72%
  • Apenas EfficientNet-B0: 85,98%
• Métricas de Classificação: O modelo demonstrou uma precisão de 0,950 e recall de 0,966 para a classe glaucoma, com um F1-score geral de 0,948.
• Insights de Ablação: O estudo confirma que o mecanismo de Cross-Attention é o fator crucial para fundir eficazmente as características globais e locais, visto que o desempenho caiu significativamente quando substituído por self-attention ou removido inteiramente.
• Visualização: Os mapas de calor do Grad-CAM destacaram corretamente o aumento dos discos e escavações ópticas em imagens glaucomatosas, enquanto mostraram ativação mínima em olhos saudáveis com razões disco-escavação normais.

Significância e Alegações

O artigo afirma que esta pesquisa apoia a semiautomação do diagnóstico precoce do glaucoma, beneficiando particularmente os sistemas de cuidados oculares em países em desenvolvimento e subdesenvolvidos. Ao combinar deep learning de alto desempenho com visualização explicável, o sistema visa:

1. Aumentar a Confiança Clínica: Fornecer aos médicos evidências interpretáveis (mapas de calor) para validar diagnósticos impulsionados por IA.
2. Melhorar a Generalização: Oferecer um modelo capaz de lidar com desequilíbrios de classes e diversas fontes de dados sem overfitting severo.
3. Facilitar a Implementação: Os autores expressam antecipação para implantar o modelo em plataformas de nuvem de código aberto (ex: AWS, Google Cloud) para permitir testes em tempo real e improvisação contínua do modelo, auxiliando, em última análise, no tratamento imediato da cegueira evitável.

Os autores sustentam que, embora o modelo apresente um leve overfitting nas flutuações de perda de teste, suas capacidades gerais de generalização e interpretabilidade o tornam um candidato de estado da arte para integração clínica no mundo real.