Weakly Supervised Pneumonia Localization from Chest X-Rays Using Deep Neural Network and Grad-CAM Explanations

Resumo Técnico: Localização de Pneumonia de forma Fracamente Supervisionada em Radiografias de Tórax

Definição do Problema
A pneumonia continua sendo uma das principais causas de morbidade e mortalidade global, com as radiografias de tórax servindo como a principal ferramenta diagnóstica. No entanto, o diagnóstico preciso é frequentemente dificultado por lesões sutis, variabilidade dos radiologistas e a natureza de "caixa-preta" dos modelos de aprendizado profundo. Embora as Redes Neurais Convolucionais (CNNs) e os Vision Transformers (ViTs) tenham demonstrado capacidades de classificação de estado da arte, eles tipicamente carecem de interpretabilidade. Além disso, métodos de localização totalmente supervisionados exigem anotações de nível de pixel custosas (por exemplo, máscaras de segmentação ou caixas delimitadoras), que são difíceis de adquirir em escala. Este estudo aborda o desafio duplo de alcançar alta precisão diagnóstica sem rótulos de nível de pixel, fornecendo simultaneamente explicações clinicamente significativas e transparentes para as decisões do modelo.

Metodologia
Os autores propõem um framework unificado de aprendizado fracamente supervisionado (WSL) que utiliza apenas rótulos de nível de imagem (normal vs. pneumonia) para realizar tanto a classificação quanto a localização espacial. A metodologia central envolve:

• Curadoria de Dados: O estudo utiliza o conjunto de dados de radiografia de tórax disponível publicamente [3]. Para evitar vazamento de dados (data leakage), os autores re-particionaram os dados no nível do paciente (70% treinamento, 15% validação, 15% teste), garantindo que nenhum ID de paciente aparecesse em múltiplas divisões. As imagens foram redimensionadas para 224×224, convertidas para pseudo-RGB e aumentadas com rotações, inversões, ajustes de brilidade e ruído.
• Benchmarking de Modelos: Sete arquiteturas pré-treinadas foram avaliadas sob condições de treinamento idênticas:
  • CNNs: ResNet-18, ResNet-50, DenseNet-121, EfficientNet-B0, MobileNet-V2 e MobileNet-V3.
  • Transformer: Vision Transformer (ViT-B/16).
• Estratégia de Treinamento: Todos os modelos foram inicializados com pesos do ImageNet. Para lidar com o severo desequilíbrio de classes (404 normais vs. 3.692 pneumonias), os autores empregaram Focal Loss (reduzindo o peso de amostras fáceis) e sobreamostragem aleatória da classe minoritária. O treinamento utilizou o otimizador Adam com interrupção precoce (early stopping) baseada na curva ROC-AUC de validação.
• Localização via Grad-CAM: Para gerar mapas de calor sem a necessidade de verdade fundamental (ground truth) de nível de pixel, o estudo aplicou o Mapeamento de Ativação de Classe Baseado em Gradiente (Grad-CAM).
  • Para CNNs, os gradientes foram computados a partir da última camada convolucional.
  • Para ViT, a formulação foi adaptada para capturar ativações e gradientes do bloco MLP final do último codificador transformer, tratando os embeddings de patches como unidades espaciais.
• Avaliação Quantitativa: Como as máscaras de nível de pixel não estavam disponíveis, foi introduzida uma Razão de Atenção Pulmonar (LAR). Esta métrica calcula a proporção da energia de ativação do Grad-CAM que cai dentro de uma região de interesse (ROI) pulmonar grosseira e fixa, servindo como um proxy para consistência anatômica.

Principais Resultados

• Desempenho de Classificação: Todos os sete modelos alcançaram alto desempenho discriminativo, com acurácias de teste variando entre 96% e 98%.
  • ResNet-18 e EfficientNet-B0 atingiram a maior acurácia de teste (98%) e F1-scores (0,987), com valores de ROC-AUC e PR-AUC superiores a 0,997.
  • MobileNet-V3 entregou uma acurácia comparável (97%) com uma contagem de parâmetros significativamente menor (4,9M), demonstrando sua adequação para ambientes com recursos limitados.
  • Modelos mais profundos como ResNet-50 e DenseNet-121 mostraram uma generalização ligeiramente inferior, sugerindo um leve overfitting.
• Localização e Interpretabilidade:
  • As visualizações de Grad-CAM confirmaram que os modelos focaram em opacidades radiologicamente relevantes nas zonas médias e inferiores dos pulmões para casos de pneumonia.
  • MobileNet-V3 exibiu a localização mais compacta e livre de ruídos, com uma Razão de Atenção Pulmonar (LAR) elevada de 0,693 para pneumonia bacteriana e baixa variância.
  • ViT-B/16 mostrou forte discriminação entre normal e pneumonia bacteriana (LAR 0,172 vs. 0,605), mas exibiu padrões de atenção mais amplos e difusos para pneumonia viral, consistentes com mecanismos de autoatenção global.
  • A DenseNet-121 ocasionalmente apresentou ativações espúrias em casos normais, enquanto a EfficientNet-B0 e a ResNet-50 exibiram alguns pontos quentes (hotspots) difusos ou fora do alvo.

Principais Contribuições

1. Benchmarking Rigoroso: O estudo fornece uma comparação justa de seis arquiteturas de CNN e um Vision Transformer sob protocolos de treinamento idênticos, incluindo a divisão de dados por paciente para eliminar o vazamento de dados.
2. Localização Fracamente Supervisionada: Demonstra que mapas de calor clinicamente significativos podem ser gerados usando apenas rótulos de nível de imagem via Grad-CAM, removendo a dependência de anotações de nível de pixel dispendiosas.
3. Interpretabilidade Quantitativa: A introdução da Razão de Atenção Pulmonar (LAR) oferece um método leve e quantitativo para avaliar a consistência anatômica das saídas de IA explicável na ausência de segmentação de verdade fundamental.
4. Análise de Eficiência: O trabalho identifica a MobileNet-V3 como um equilíbrio ideal entre acurácia diagnóstica e custo computacional, validando seu potencial para aplicações de saúde em tempo real, na borda (edge) e móveis.

Significância e Alegações
O artigo afirma que métodos de aprendizado profundo explicáveis e fracamente supervisionados podem efetivamente preencher a lacuna entre a classificação de imagem de "caixa-preta" e o suporte à decisão clinicamente interpretável. Ao validar que os modelos focam em regiões pulmonares relevantes sem treinamento de segmentação manual, o estudo apoia o uso de tais frameworks para aumentar a transparência e a confiança clínica na triagem de pneumonia assistida por IA. Os autores concluem que arquiteturas compactas, quando combinadas com focal loss e divisão por paciente, podem alcançar uma acurácia próxima ao estado da arte, mantendo-se computacionalmente eficientes, facilitando a implantação em diversos cenários clínicos.

Direções Futuras
Os autores observam modestamente que a pesquisa atual é limitada a um único conjunto de dados. Eles sugerem que trabalhos futuros devam envolver a avaliação em conjuntos de dados maiores e mais diversos (por exemplo, RSNA Pneumonia, NIH ChestX-ray14) para aumentar a robustez. Além disso, propõem explorar a localização de doenças torácicas multirrótulo, estudos de leitura por radiologistas e novas otimizações de implantação móvel para fortalecer o impacto translacional do framework.