Automated Genomic Interpretation via Concept Bottleneck Models for Medical Robotics

Resumo Técnico: Interpretação Genômica Automatizada via Modelos de Gargalo de Conceitos para Robótica Médica

1. Problema e Motivação

A integração de robôs médicos e sistemas de automação em fluxos de trabalho clínicos (como triagem, manuseio de amostras e suporte à decisão) enfrenta um obstáculo crítico: a natureza de "caixa preta" dos modelos de aprendizado profundo tradicionais. Embora precisos, esses modelos carecem de interpretabilidade, o que mina a confiança em ambientes de segurança crítica.

• Desafio Específico: A classificação de sequências de DNA (ex.: subtipos virais) geralmente exige não apenas um diagnóstico, mas explicações biologicamente significativas que possam ser validadas por especialistas.
• Limitações Atuais: A maioria dos modelos explicáveis foca em imagens médicas, ignorando dados de sequência. Além disso, as explicações existentes são frequentemente tratadas como saídas post-hoc (após a decisão), sem integração direta com políticas de decisão acionáveis ou pipelines robóticos.

2. Metodologia Proposta

Os autores propõem um módulo de interpretação genômica automatizada que transforma sequências de DNA brutas em decisões acionáveis e interpretáveis, utilizando uma arquitetura baseada em Modelos de Gargalo de Conceitos (CBM). O fluxo de trabalho é composto pelas seguintes etapas:

• Pré-processamento (CGR):

  • As sequências de DNA simbólicas (A, C, G, T) são convertidas em imagens 2D fixas utilizando a Representação de Jogo do Caos (Chaos Game Representation - CGR).
  • Isso permite o uso de Redes Neurais Convolucionais (CNNs) para extrair características latentes, criando uma representação visual alinhada com assinaturas genômicas evolutivas, sem necessidade de alinhamento de sequências (alignment-free).

• Gargalo de Conceitos (Concept Bottleneck):

  • As características latentes da CNN são mapeadas para um vetor de conceitos biológicos interpretáveis (ex.: conteúdo GC, densidade CpG, frequências de k-mers).
  • A previsão final da classe (ex.: subtipo do HIV) é estritamente inferida através desses conceitos, e não diretamente das características latentes. Isso força o modelo a basear sua decisão em evidências biológicas verificáveis.

• Supervisão e Regularização Avançada:
  Para garantir que os conceitos aprendidos sejam fiéis e biologicamente consistentes, o modelo emprega múltiplas estratégias de regularização:

  1. Fidelidade de Conceito: Perda supervisionada para alinhar as previsões de conceitos com valores determinísticos calculados a partir da sequência (ex.: contagem real de GC).
  2. Alinhamento de Prioridade (Prior Consistency): Penaliza pesos do classificador que violam restrições monotônicas conhecidas (ex.: se alta densidade CpG implica menor risco, o peso deve refletir isso).
  3. Correspondência de Distribuição (KL Divergence): Alinha a distribuição de probabilidade do classificador baseado em conceitos com um cabeçalho auxiliar baseado em características, preservando o poder discriminativo.
  4. Calibração de Incerteza: Uso de temperature scaling e entropia preditiva para garantir que as estimativas de confiança sejam confiáveis.

• Camada de Recomendação Orientada a Custos:

  • Uma camada final traduz as previsões e a incerteza em políticas de decisão (ex.: "armazenar", "revisar", "retestar").
  • Esta camada otimiza uma função de utilidade que equilibra precisão, custo de reteste e risco clínico, permitindo que o robô tome decisões economicamente eficientes.

3. Principais Contribuições

1. Integração CGR-CBM para DNA: Primeira aplicação de CBMs combinados com CGR para discriminação molecular, criando um framework de percepção interpretável em nível molecular para robótica médica.
2. Estratégia de Otimização Conjunta: Desenvolvimento de uma função de perda que minimiza simultaneamente o erro de classificação, a inconsistência de conceitos e a violação de prioridades biológicas, garantindo precisão e interpretabilidade.
3. Interface de Explicação Acionável: Tradução do processo de decisão do modelo em evidências compreensíveis para clínicos, permitindo que robôs expliquem seu raciocínio.
4. Camada de Recomendação Fechada: Conexão direta entre a percepção explicável e decisões executáveis, fechando o ciclo para automação clínica.

4. Resultados Experimentais

O sistema foi avaliado em dois conjuntos de dados de HIV (um interno e o banco de dados público LANL) para classificação de subtipos virais.

• Desempenho de Classificação: O modelo proposto alcançou o estado da arte (SOTA), superando baselines como XGBoost, SVM, CNNs padrão e Regressão Logística.
  • Acurácia: ~99% no conjunto interno e ~99% no LANL.
  • AUROC: 0.93 (interno) e 0.91 (LANL), superando todos os baselines.
• Qualidade da Predição de Conceitos:
  • O modelo demonstrou recuperação fiel de conceitos biológicos. Para o conteúdo GC, alcançou $R^2 = 0.874$ e correlação de Pearson $r = 0.940$.
  • Para sinais difíceis como densidade CpG, houve uma melhoria relativa de mais de 75% em $R^2$ comparado a variantes adaptativas anteriores (subindo de 0.350 para 0.615).
• Fidelidade (Faithfulness):
  • Testes de suficiência e necessidade mostraram que os conceitos aprendidos são a causa real das decisões. A remoção de conceitos chave (como CpG) causou quedas significativas na acurácia, confirmando que o modelo não está apenas correlacionando ruído.
• Eficiência de Decisão:
  • A camada de recomendação reduziu a taxa de retestes desnecessários em comparação com políticas baseadas em regras fixas, mantendo alta sensibilidade e melhorando a utilidade clínica geral (custo-benefício).

5. Significado e Impacto

Este trabalho estabelece uma fundação confiável para a integração de inteligência artificial em robótica médica e automação clínica. Ao substituir modelos de caixa preta por um sistema que:

1. É Auditável: Cada decisão pode ser rastreada até conceitos biológicos específicos.
2. É Acionável: Gera recomendações de custo-efetividade para fluxos de trabalho reais.
3. É Robusto: Mantém alta precisão mesmo com restrições de interpretabilidade.

A proposta permite que robôs médicos participem ativamente de diagnósticos genômicos com transparência, reduzindo a carga de trabalho manual e aumentando a confiança clínica na automação. O framework é agnóstico à doença e pode ser aplicado a outras tarefas genômicas, como classificação de variantes de SARS-CoV-2 ou tipagem de genomas bacterianos.