Deep Learning for Retinal Degeneration Assessment: A Comprehensive Analysis of the MARIO Challenge

Resumo Técnico: Aprendizado Profundo para Avaliação de Degeneração Retiniana: Uma Análise Abrangente do Desafio MARIO

Definição do Problema
O artigo aborda a necessidade crítica de monitoramento automatizado e longitudinal da degeneração macular relacionada à idade neovascular (DMRI n) em pacientes submetidos à terapia anti-VEGF. Embora a Tomografia de Coerência Óptica (OCT) seja a modalidade de imagem padrão, as aplicações atuais de IA concentram-se amplamente na classificação ou segmentação transversais da doença. Existe uma lacuna significativa em algoritmos capazes de detectar mudanças temporais sutis na atividade neovascular (dinâmica de fluidos) para apoiar protocolos de "tratar e estender" (treat-and-extend). O desafio MARIO (Monitoring Age-Related macular degeneration with Intelligent Ophthalmology), organizado no MICCAI 2024, foi estabelecido para testar métodos de IA em duas tarefas clínicas específicas:

1. Tarefa 1 (Classificação de Mudança de Atividade): Classificar a evolução da atividade neovascular entre dois B-scans de OCT 2D consecutivos (linha de base $t_0$ vs. acompanhamento $t_1$) em três classes: Reduzida, Estável ou Piorada (mais uma classe Ininterpretável).
2. Tarefa 2 (Predição Prognóstica): Predizer a progressão da doença ao longo dos três meses subsequentes com base em uma única visita (um B-scan de OCT), representando uma tarefa prognóstica de visita única mais difícil.

O desafio incorpora unicamente uma avaliação de domínio cruzado, utilizando uma coorte primária de Brest, França (136 pacientes, dispositivo Heidelberg Spectralis) e um conjunto de teste externo mantido à parte de Tlemcen, Argélia (5 pacientes), para avaliar a generalização entre populações e condições de imagem.

Metodologia e Dados

• Conjunto de Dados: O conjunto de dados compreende B-scans 2D de alta resolução e sequências de volumes 3D pareados com imagens localizadoras de infravermelho (IR) e variáveis clínicas. As anotações foram realizadas por oftalmologistas, distinguindo entre tipos de fluido (subretiniano, intraretiniano) e estados de atividade. Os dados foram simplificados nas três classes primárias para o desafio.
• Equipes Participantes: 35 equipes se registraram, sendo que 12 alcançaram a fase final.
• Tendências Arquiteturais:
  • Tarefa 1: A maioria das finalistas adotou arquiteturas siamesas ou de fusão tardia para comparar pares de B-scans. Uma estratégia dominante envolveu o uso de modelos de fundação pré-treinados em imagens de retina (ex: RETFound, BiomedCLIP) como backbones, frequentemente ajustados (fine-tuning) com tarefas de pretexto como detecção de mudança ou segmentação. A fusão multimodal (combinando OCT, IR e dados clínicos) foi tentada por apenas uma equipe (MIPLAB).
  • Tarefa 2: Dada a ausência de uma segunda imagem de ponto temporal, as equipes empregaram três estratégias principais: (1) tratar a imagem única como uma variante da Tarefa 1; (2) tentar "alucinar" ou reconstruir o estado futuro usando abordagens generativas (ex: Patch Progression Masked Autoencoders); ou (3) enquadrar o problema como aprendizado de múltiplas instâncias sobre o volume de OCT.
• Avaliação: O desempenho foi medido usando macro-F1, especificidade, Coeficiente de Correlação de Matthews (MCC) e Coeficiente de Correlação de Posto (Rk). A Tarefa 2 utilizou adicionalmente o Kappa de Peso Quadrático (QWK) para considerar a natureza ordinal das classes. Uma pontuação composta ponderou a Tarefa 2 mais pesadamente (65%) do que a Tarefa 1 (35%). A significância estatística foi avaliada via reamostragem bootstrap estratificada e testes de McNemar.

Resultos Principais

1. Tarefa 1 (Monitoramento de Curto Prazo): O desafio demonstrou que o monitoramento de atividade de curto prazo é tratável. A melhor equipe (MIPLAB) alcançou uma pontuação composta de 0,833 (macro-F1 = 0,859) no conjunto de teste de Brest, aproximando-se do acordo inter-especialista (Cohen's $\kappa \approx 0,49$ entre as principais equipes). Isso sugere que os modelos de aprendizado profundo atuais podem rastrear de forma confiável mudanças de curto prazo na atividade neovascular.
2. Tarefa 2 (Prognóstico de Visita Única): Esta tarefa provou ser significativamente mais difícil. A melhor pontuação composta foi de apenas 0,306, com valores de QWK próximos a zero. O acordo entre as equipes colapsou (média de $\kappa = 0,10$), indicando que nenhum método conseguiu recuperar um sinal prognóstico confiável para a progressão de 3 meses a partir de um único ponto temporal. Os modelos largely voltaram-se para a predição da classe majoritária "Estável".
3. Generalização de Domínio: Um achado crítico foi a fragilidade dos modelos sob mudança de domínio. Ao serem transferidos para a coorte argelina, o desempenho degradou substancialmente para todas as equipes. A vencedora da Tarefa 1 (MIPLAB) caiu para o quinto lugar no conjunto externo, e a ordem de classificação mudou inteiramente. Isso destaca os desafios não resolvidos em generalização de população e de dispositivo.
4. Análise de Erros: Os erros foram frequentemente compartilhados entre as equipes, em vez de serem específicos de um método. Scans "Ininterpretáveis" e mudanças sutis de fluido foram frequentemente classificadas incorretamente como "Estáveis". Na Tarefa 2, a classe "Piorada" foi quase universalmente perdida (F1 médio $\approx 0,018$), um modo de falha clinicamente crítico.

Contribuições e Significância
O artigo estabelece o MARIO como o primeiro benchmark internacional para o monitoramento longitudinal automatizado da DMRI n. Suas principais contribuições são:

• Benchmarking de IA Longitudinal: Fornece um framework padronizado para avaliar a IA em dados temporais de OCT, indo além da classificação estática.
• Definição do Estado da Arte: Demonstra que, embora o monitoramento de atividade de curto prazo esteja ao alcance dos métodos atuais, a predição de progressão de visita única permanece um problema aberto, provavelmente devido à insuficiência de informações em um único registro, e não por limitações arquiteturais.
• Destaque para Lacunas de Generalização: O desafio revela explicitamente que modelos treinados em dados europeus homogêneos falham em generalizar para populações diversas e diferentes protocolos de aquisição, ressaltando a necessidade de IA robusta ao domínio e conjuntos de dados diversos.
• Relevância Clínica: Os resultados sugerem que a IA pode atualmente apoiar a tomada de decisão clínica para a extensão de intervalos em olhos estáveis (Tarefa 1), mas ainda não está pronta para predizer progressão futura sem entradas mais ricas (ex: histórico longitudinal completo ou dados volumétricos).

Os autores concluem que, embora o "teto" para a Tarefa 1 esteja se aproximando da utilidade clínica, a Tarefa 2 requer dados mais ricos e conjuntos de treinamento mais diversos para superar o atual déficit de informação. O desafio enfatiza que a robustez entre populações não pode ser inferida a partir do desempenho em um único local, defendendo a validação externa como um componente padrão dos benchmarks de IA médica.