Resumo Técnico: GlaBoost – Um Framework Estruturado Multimodal para Estratificação de Risco de Glaucoma

1. Declaração do Problema

O glaucoma é uma das principais causas de cegueira irreversível em todo o mundo, exigindo um diagnóstico precoce e preciso para prevenir a perda de visão. No entanto, os processos diagnósticos atuais são complexos, baseando-se em evidências heterogêneas que incluem imagens de fundo de olho, medições anatômicas e descrições clínicas especializadas. As abordagens de IA existentes, particularmente as baseadas em Redes Neurais Convolucionais (CNNs), operam tipicamente em uma única modalidade visual. Esses sistemas unimodais falham em incorporar biomarcadores estruturados (ex: pressão intraocular, relação escavação/disco) e narrativas clínicas de texto livre que os oftalmologistas utilizam rotineiramente. Esse "viés unimodal" limita tanto a precisão diagnóstica quanto a interpretabilidade clínica, criando um descompasso entre os outputs da IA e a natureza multimodal do raciocínio clínico.

2. Metodologia: O Framework GlaBoost

Os autores propõem o GlaBoost, um framework de gradient boosting multimodal projetado para unificar três sinais complementares para a predição de risco de glaucoma. A arquitetura consiste em quatro estágios distintos:

A. Decomposição de Entrada

O vetor de características de entrada para cada instância é decomposto em quatro modalidades:

1. Características Clínicas Estruturadas ($x_{struct}$): Extraídas de campos legíveis por máquina em relatórios clínicos (ex: tamanho do disco óptico, relação escavação/disco). Dados categóricos são codificados via one-hot encoding, e valores ausentes são explicitamente tratados.
2. Indicadores Avaliados por Humanos ($x_{human}$): Inputs subjetivos opcionais, como avaliações preliminares de risco e níveis de confiança fornecidos por anotadores. Estes são tratados como inputs auxiliares, em vez de labels de verdade fundamental (ground-truth).
3. Características Visuais ($x_{img}$): Embeddings de alto nível extraídos de imagens de fundo de olho usando uma ResNet-152 pré-treinada (camadas convolucionais congeladas, camadas de projeção ajustadas).
4. Características Textuais ($x_{text}$): Narrativas clínicas não estruturadas (ex: descrições da borda neuroretiniana) codificadas usando um modelo transformer mBERT (BERT multilíngue) pré-treinado com mean-pooling.

B. Fusão e Classificação

Todas as modalidades são concatenadas em uma representação única de alta dimensão ($z_i$). Este vetor fundido é alimentado em um classificador XGBoost aprimorado. O modelo é otimizado usando perda logística com regularização para controlar a complexidade. Esta abordagem aproveita a capacidade do método de boosting baseado em árvores para lidar com tipos de características heterogêneas e fornecer métricas de importância de características, contrastando com a "concatenação de características ingênua" frequentemente vista em codificadores multimodais profundos.

3. Datasets e Configuração Experimental

O framework foi avaliado em dois datasets do mundo real:

• Dataset Público: Relatórios clínicos em formato JSON pareados com imagens de fundo de olho, contendo biomarcadores estruturados e descrições de texto livre.
• Dataset Privado (UTSW): Derivado de relatórios de OCT clínicos, contendo 16 biomarcadores nas categorias de Camada de Fibras Nervosas da Retina (RNFL), Cabeça do Nervo Óptico (ONH) e Complexo de Células Ganglionares (GCC). Este dataset inclui uma categoria distinta de "Borderline" para biomarcadores, adicionando complexidade à tarefa de classificação.

Baselines (Modelos de Referência): O estudo comparou o GlaBoost com uma ampla gama de baselines, incluindo:

• Modelos Unimodais: CNNs (ResNet, ViT, ConViT), modelos de NLP (BERT, Transformer, Mamba, RoBERTa) e modelos tradicionais de ML (Regressão Logística, Random Forest).
• Baselines Multimodais: Arquiteturas de fluxo duplo (ex: CNN-LSTM, CNN-BERT) e Large Language Models (LLMs) ajustados como GPT-4O, LLaMA e DeepSeek.

4. Resultados Principais

Desempenho

O GlaBoost superou consistentemente todos os baselines em ambos os datasets:

• Dataset Público: Alcançou 98,73% de Acurácia, 99,01% de Precisão e 98,83% de F1-score.
• Dataset Privado: Alcançou 99,21% de Acurácia, 98,89% de Precisão e 99,10% de F1-score.
• Comparação: Embora modelos puramente de visão (ex: ViT, ConViT) tenham alcançado alta acurácia (até 100% no set público), eles careciam de interpretabilidade. Codificadores multimodais de fluxo duplo geralmente performaram abaixo do GlaBoost, sugerindo que a fusão baseada em árvores é mais eficaz que a concatenação profunda para esta tarefa específica. LLMs, mesmo quando ajustados, ficaram atrás do GlaBoost, indicando que o sinal diagnóstico é dominado por biomarcadores estruturados em vez de raciocínio textual de longo formato.

Estudos de Ablação

• Impacto das Modalidades: Biomarcadores estruturados foram o principal motor de desempenho. Inputs apenas de imagem performaram bem, mas careciam de interpretabilidade clínica. Inputs apenas de texto performaram mal (~46-52% de acurácia), mas melhoraram significativamente quando combinados com dados estruturados.
• Fatores Humanos: A inclusão de avaliações de risco e níveis de confiança derivados de clínicos atuou como um impulsionador de desempenho ("a cereja do bolo"), particularmente em cenários de alta precisão.
• Sensibilidade de Componentes: Backbones de CNN mais profundos (ResNet-101/152) apresentaram acurácia saturada, enquanto o ajuste de hiperparâmetros do mBERT e a profundidade do XGBoost forneceram ganhos marginais consistentes.

Importância de Características

A análise do modelo XGBoost destacou preditores clinicamente consistentes:

• Dataset Público: Relação escavação/disco, adesão à regra ISNT e afinamento da borda foram as principais características.
• Dataset Privado: Espessura superior da RNFL, Razão Horizontal Escavação/Disco e espessura média do GCC foram dominantes.
  Estes achados alinham-se com as práticas oftalmológicas estabelecidas, confirmando que o modelo se baseia em marcadores biologicamente plausíveis.

5. Significância e Contribuições

O artigo afirma as seguintes contribuições:

1. Integração Multimodal: O GlaBoost une com sucesso imagens de fundo de olho, biomarcadores estruturados e narrativas clínicas textuais dentro de um framework interpretável, abordando a lacuna entre a IA baseada em imagem e o raciocínio clínico.
2. Interpretabilidade: Ao utilizar o XGBoost, o framework fornece uma análise transparente de importância de características, identificando preditores clinicamente estabelecidos (ex: relação escavação/disco) como fatores dominantes, aumentando assim a confiança clínica.
3. Superioridade de Desempenho: O framework demonstra que uma abordagem multimodal estruturada com gradient boosting supera tanto modelos de deep learning unimodais quanto complexas arquiteturas de fluxo duplo.
4. Escalabilidade: A abordagem oferece uma base escalável para suporte à decisão em oftalmologia, capaz de lidar com fontes de dados heterogêneas sem exigir contagens massivas de parâmetros típicas de grandes modelos de fundação.

Os autores concluem que, embora o GlaBoost ofereça uma base robusta, trabalhos futuros devem explorar modelos de fundação específicos para oftalmologia, codificadores de linguagem biomédica e validação através de coortes externas multicêntricas.