Latent Space Analysis for Interpretable Uncertainty in Melanoma Classification

Resumo Técnico: Análise de Espaço Latente para Incerteza Interpretável na Classificação de Melanoma

Declaração do Problema
O melanoma é um câncer de pele altamente agressivo onde a detecção precoce é crítica para a sobrevivência do paciente. Embora o aprendizado profundo tenha avançado na classificação de lesões cutâneas, os modelos padrão frequentemente operam como "caixas pretas" inexplicáveis. Esses modelos têm dificuldade em comunicar a incerteza diagnóstica de forma transparente, particularmente em casos limítrofes onde as lesões compartilham características morfológicas tanto de nevos (NV) quanto de melanomas (MEL). Essa falta de interpretabilidade limita a confiança clínica e dificulta a integração eficaz de ferramentas automatizadas nos fluxos de trabalho de diagnóstico, onde entender o "porquê" por trás de uma previsão é tão importante quanto a própria previsão em si.

Metodologia
Os autores propõem um framework híbrido que transcende a simples classificação binária ao alavancar um espaço latente generativo estruturado para suporte à decisão interpretável. A metodologia consiste em três componentes primários:

1. Autoencoder Variacional Adversário com Consciência de Classe (VAE-GAN):

   • Arquitetura: O modelo emprega uma estrutura de codificador-decodificador. O codificador mapeia imagens de entrada (128×128×3) para um espaço latente contínuo de 256 dimensões, produzindo um vetor de média ($\mu$) e log-variância ($\log(\sigma^2)$). O truque de reparametrização ($z = \mu + \sigma \odot \epsilon$) é utilizado para garantir a diferenciabilidade.
   • Treinamento Adversário: Para superar a tendência dos VAEs padrão de produzir reconstruções borradas, um discriminador é integrado. Este componente adversário força o decodificador a preservar detalhes morfológicos de alta frequência críticos para a avaliação dermatológica.
   • Consciência de Classe: Um MLP (Perceptron Multicamadas) auxiliar é anexado à média latente ($\mu$) para impor o agrupamento discriminativo de classe (MEL vs. NV) durante o treinamento.
   • Função de Perda: O modelo é otimizado via uma função de perda multiobjetivo: $L_{total} = L_{recon} + \lambda_{KL}L_{KL} + \lambda_{clf}L_{clf} + \lambda_{adv}L_{adv}$. Isso equilibra a qualidade da reconstrução, a regularização do espaço latente, a precisão da classificação e o realismo adversário.

2. Extração de Características Latentes e Classificação:

   • Pós-treinamento, o codificador serve como um extrator de características determinístico, produzindo o vetor de média latente $\mu$ (omitindo o termo de ruído estocástico) para cada imagem.
   • Esses vetores de 256 dimensões são padronizados e alimentados em três classificadores: Support Vector Machine (SVM), Random Forest (RF) e XGBoost.
   • Os hiperparâmetros foram ajustados via Grid Search com validação cruzada de 3 dobras, otimizando para o F1-score médio macro. O XGBoost foi selecionado como o classificador final.

3. Incerteza Interpretável via Recuperação de Imagens Baseada em Conteúdo (CBIR):

   • Em vez de fornecer apenas um rótulo binário, o classificador XGBoost fornece um escore de probabilidade contínuo ($p \in [0, 1]$).
   • Para casos com alta incerteza (escores próximos a 50%), o framework aciona um sistema CBIR. A imagem de consulta é projetada no espaço latente, e os $k$ vizinhos mais próximos (baseados na distância Euclidiana) são recuperados do arquivo de treinamento.
   • Isso permite que clínicos comparem visualmente uma lesão ambígua contra precedentes históricos confirmados por biópsia, fornecendo contexto baseado em evidências para a incerteza.

Principais Contribuições

• Mudança de Paradigma: O trabalho reaproveita a formulação generativa dos VAEs não para síntese de imagem, mas para destilar características clínicas em um espaço latente contínuo e semanticamente estruturado.
• Incerteza Interpretável: O framework traduz explicitamente a hesitação algorítmica em uma ferramenta de suporte à decisão visual. Ao recuperar casos históricos morfologicamente similares para previsões limítrofes, ele preenche a lacuna entre o desempenho preditivo e a confiança clínica.
• Arquitetura Híbrida: A integração de um VAE adversário com um classificador auxiliar e uma árvore de gradiente impulsionada (XGBoost) cria um sistema que é robusto ao desequilíbrio de classes enquanto mantém uma topologia estruturada para recuperação.

Resultados
O framework foi avaliado no conjunto de dados ISIC 2019, focando na classificação binária de Nevos (12.875 treinamento, 2.495 teste) e Melanomas (4.522 treinamento, 1.327 teste).

• Desempenho Preditivo: O modelo VAE+XGBoost alcançou uma acurácia de 81,26%, uma precisão média macro de 0,79, recall de 0,80 e um F1-score de 0,80. Atingiu um AUC de 0,8689.
• Comparação com Baselines: Embora modelos convolucionais de ponta a ponta como ResNet50 e DenseNet121 tenham alcançado AUCs ligeiramente superiores (0,90) e F1-scores (0,83), o framework proposto apresentou desempenho competitivo, superando o ConvNeXt-T (AUC 0,66) e seguindo de perto o EfficientNetV2 (AUC 0,88). Os autores observam que a ligeira redução nas métricas preditivas brutas é um trade-off deliberado pela interpretabilidade.
• Eficácia de Recuperação: O sistema CBIR demonstrou consistência semântica forte. Para consultas gerais, alcançou uma Precisão Média@5 (mP@5) de 72,0% e uma Acurácia Top-5 de 93,9%. Crucialmente, para consultas de melanoma verdadeiro (a classe minoritária), o sistema alcançou um mP@5 de 44,7%, superando significativamente a recuperação aleatória e fornecendo um mecanismo de "bandeira vermelha" validado para clínicos.

Significância e Alegações
O artigo alega que sua principal significância reside em ir além do paradigma da "caixa preta". Ao utilizar um espaço latente contínuo, o sistema não apenas classifica lesões, mas fornece um mecanismo para visualizar por que uma classificação é incerta. A recuperação de precedentes confirmados por biópsia para casos limítrofes oferece um duplo benefício: auxilia o clínico na finalização do diagnóstico através da comparação visual e atua como um sistema de alerta precoce para lesões que compartilham características tanto de nevos quanto de melanomas. Os autores concluem que esta abordagem aumenta a confiança diagnóstica humana ao manter o clínico "no loop", oferecendo suporte visual transparente e baseado em evidências em vez de forçar uma previsão binária cega. Trabalhos futuros planejam expandir o framework para diagnóstico multiclasse (incluindo BCC e BKL) e explorar variantes avançadas de espaço latente como $\beta$-VAE para melhor desentrelaçamento de características.