Resumo Técnico: Uma Abordagem Baseada em Conceitos para a Detecção de Distúrbios de Voz

Declaração do Problema

Os distúrbios de voz afetam uma parcela significativa da população, embora os métodos diagnósticos atuais muitas vezes dependam de procedimentos clínicos invasivos. Embora Redes Neurais Profundas (DNNs) recentes, particularmente aquelas baseadas em arquiteturas Transformer, tenham demonstrado um desempenho promissor na classificação de vozes patológicas versus eufônicas usando análise de áudio não invasiva, elas sofrem de uma limitação crítica: a opacidade. Esses modelos operam como "caixas pretas", fornecendo saídas sem explicar o processo de tomada de decisão. No contexto sensível da saúde, essa falta de interpretabilidade levanta preocupações éticas e legais, dificultando a confiança e a adoção clínica de diagnósticos baseados em IA. O artigo aborda a necessidade de uma ferramenta de diagnóstico que mantenha um alto desempenho preditivo ao mesmo tempo em que oferece um framework de decisão transparente e interpretável.

Metodologia

Os autores propõem uma abordagem baseada em conceitos utilizando IA Explicável (XAI), focando especificamente em Modelos de Gargalo de Conceito (CBM - Concept Bottleneck Models) e Modelos de Embedding de Conceito (CEM - Concept Embedding Models). A metodologia envolve um processo de duas etapas:

1. Anotação de Conceitos via Grandes Modelos de Linguagem (LLMs)

Como o conjunto de dados alvo (Italian Pathological Voice - IPV) contém anamnese textual não estruturada (histórico médico) em vez de conceitos pré-rotulados, os autores desenvolveram um pipeline para extrair 14 conceitos candidatos desses textos.

• Extração: Eles utilizaram um LLM (especificamente o Gemini-pro, selecionado após testes comparativos com o Mistral 7B) para analisar a anamnese e gerar um objeto JSON estruturado contendo os valores dos conceitos.
• Definição de Conceitos: O conjunto inicial incluiu 14 conceitos (ex: tabagismo, uso profissional da voz, severidade da disfonia, onda mucosa irregular, aspereza, soprosidade).
• Refinamento: Através de consulta com especialistas médicos, o conjunto foi refinado. Conceitos que exigiam exames físicos invasivos (ex: cores específicas da mucosa) foram excluídos. Outros foram fundidos (ex: "disfonia leve-moderada" fundida com "moderada"). O conjunto final compreende 9 conceitos previsíveis (derivados do áudio/anamnese via modelo) e 5 conceitos fornecidos pelo paciente (ex: gênero, status de tabagismo). Os conceitos previsíveis alinham-se amplamente com a escala GRBAS (Grau, Aspereza, Astenia, Esforço/Strain).
• Codificação: Conceitos multiclasse (ex: severidade da disfonia) foram codificados via one-hot encoding, resultando em um total de 20 dimensões de conceito antes da seleção final.

2. Arquitetura do Modelo

O framework proposto utiliza o HuBERT, um Transformer de áudio pré-treinado, como extrator de características para gerar embeddings de áudio. Duas arquiteturas são implementadas:

• Modelo de Gargalo de Conceito (CBM): Os embeddings de áudio passam por uma cabeça de classificação para prever os valores binários dos 9 conceitos (o "gargalo"). Esses conceitos previstos são concatenados com os 5 conceitos fornecidos pelo paciente. Um segundo classificador então mapeia esse vetor de conceitos combinado para o diagnóstico binário final (patológico vs. eufônico). Crucialmente, o classificador final não tem acesso ao sinal de áudio bruto, dependendo exclusivamente dos conceitos.
• Modelo de Embedding de Conceito (CEM): Semelhante ao CBM, mas em vez de prever logits binários, a camada de gargalo aprende dois embeddings distintos para cada conceito (estados ativos e inativos). A previsão final é uma combinação ponderada desses embeddings com base na probabilidade prevista de o conceito estar ativo.

3. Estratégia de Treinamento

Os modelos são treinados usando uma função de perda conjunta que minimiza tanto a perda de conceito (precisão da predição dos conceitos intermediários) quanto a perda de tarefa (precisão do diagnóstico final). Um hiperparâmetro $\lambda$ equilibra essas perdas. Os autores empregaram uma estratégia de warm-up, congelando a perda de tarefa durante as duas primeiras épocas para priorizar o aprendizado de representações de conceitos robustas antes de otimizar a classificação final.

Principais Contribuições

1. Aplicação de XAI Baseada em Conceitos a Distúrbios de Voz: Este é o primeiro trabalho a aplicar arquiteturas CBM e CEM especificamente à detecção de patologias de voz, indo além das abordagens padrão de ponta a ponta de caixa preta.
2. Pipeline de Extração Automatizada de Conceitos: O artigo demonstra um fluxo de trabalho inovador usando LLMs para extrair conceitos médicos de alto nível de textos clínicos não estruturados (anamnese) para servir como verdade fundamental (ground truth) para o treinamento de modelos baseados em conceitos.
3. Interpretabilidade sem Perda de Desempenho: O estudo valida que modelos baseados em conceitos podem alcançar um desempenho comparável a Transformers de ponta a ponta de última geração, enquanto oferecem justificativas explícitas para suas previsões em termos de características clinicamente relevantes (ex: "disfonia", "aspereza").

Resultados

Os experimentos foram conduzidos no conjunto de dados Italian Pathological Voice (IPV), composto por 513 pacientes (170 eufônicos, 340 disfônicos), com 385 casos contendo anamnese escrita. O estudo utilizou validação cruzada de 10 dobras (10-fold cross-validation).

• Anotação de Conceitos: O modelo Gemini-pro alcançou uma precisão de conceito de 98,65% e um F1 score de 98,10% em um conjunto de validação anotado manualmente, superando o Mistral 7B.
• Detecção de Distúrbio de Voz:
  • Baseline: Um modelo HuBERT padrão de ponta a ponta com uma cabeça de classificação de 2 camadas alcançou uma Precisão de Tarefa de 91,33% e um F1 de 0,9085.
  • Modelos Baseados em Conceitos:
    • CBM: Alcançou uma Precisão de Tarefa de 87,76% e F1 de 0,8566, com uma precisão de conceito de 84,43%.
    • CEM: Alcançou uma Precisão de Tarefa de 87,30% e F1 de 0,8599, com uma precisão de conceito de 84,50%.
  • CBM Ideal: Quando fornecido com rótulos de conceitos de verdade fundamental (simulando uma extração perfeita de conceitos), o CBM alcançou 90,52% de precisão, aproximando-se do baseline de ponta a ponta.

Os resultados indicam que a queda de desempenho para os modelos reais baseados em conceitos deve-se principalmente à natureza imperfeita das anotações de conceitos geradas pelo LLM (aprox. 84,5% de precisão), e não a uma limitação fundamental da arquitetura. Os modelos aprenderam com sucesso a usar conceitos como "disfonia", "soprosidade" e "aspereza" para justificar o diagnóstico final.

Significância e Alegações

O artigo afirma que modelos baseados em conceitos representam um passo significativo para tornar a IA na saúde transparente e confiável. Ao vincular explicitamente o diagnóstico final a conceitos intermediários compreensíveis por humanos (como os parâmetros da escala GRBAS), esses modelos permitem que clínicos verifiquem o raciocínio por trás de uma previsão. Os autores afirmam que, embora a abordagem de ponta a ponta permaneça ligeiramente mais precisa, a abordagem baseada em conceitos oferece um nível de desempenho "competitivo" com a vantagem distinta da interpretabilidade, permitindo que especialistas humanos intervenham ou derivem previsões contrafatuais. Os autores mantêm a modéstia, reconhecendo que a atual lacuna de desempenho é amplamente atribuível à qualidade das anotações de conceitos automatizadas e que trabalhos futuros poderão melhorar o sistema através da integração de vogais sustentadas e ferramentas de relatório generativo.