Explainable Cross-Disease Reasoning for Cardiovascular Risk Assessment from Low-Dose Computed Tomography

Resumo Técnico: Raciocínio Explicável entre Doenças para Avaliação de Risco Cardiovascular a partir de Tomografia Computadorizada de Baixa Dose

1. Declaração do Problema

A tomografia computadorizada de tórax de baixa dose (TCBD) é o padrão de cuidado para rastreamento de câncer de pulmão, mas captura inerentemente tanto estruturas pulmonares quanto cardíacas. Embora evidências epidemiológicas estabeleçam um vínculo bidirecional entre câncer de pulmão e doença cardiovascular (DCV) — impulsionado por mecanismos compartilhados como inflamação sistêmica e estresse oxidativo —, as abordagens computacionais atuais tratam esses domínios de forma isolada. Métodos predominantes modelam a detecção de câncer de pulmão e a estratificação de risco de DCV como tarefas separadas, analisando nódulos pulmonares e estruturas cardíacas independentemente. Esse "isolamento radiológico" descarta informações críticas entre órgãos. Além disso, modelos existentes de doenças cruzadas ou modelos fundacionais frequentemente funcionam como caixas-pretas, oferecendo apenas atribuição grosseira post-hoc em vez de caminhos de raciocínio explícitos e interpretáveis que conectam achados pulmonares a desfechos cardíacos. O desafio reside em aproveitar a relação fisiológica latente e multifacetada entre anormalidades pulmonares e risco cardiovascular sem depender exclusivamente de concatenação de características não estruturadas ou de modelos de aprendizado profundo opacos.

2. Metodologia

Os autores propõem um Framework de Raciocínio Explicável entre Doenças que trata uma única varredura TCBD como uma fonte portadora de conhecimento para avaliação de risco cardiopulmonar. A arquitetura decompõe a tarefa de previsão em quatro componentes clinicamente fundamentados, organizados em três vias interconectadas:

• Percepção Visual de Dupla Via:

  • Prior de Risco Pulmonar: Um Preditor de Risco de Câncer de Pulmão congelado (baseado no Sybil) processa o volume pulmonar completo para extrair um vetor temporal de risco de malignidade. Isso serve como um proxy de alto nível para inflamação sistêmica crônica e carga geral de doença, atuando como um prior contextual em vez de uma saída clínica direta.
  • Extração de Características Cardíacas: Um módulo de Localização Cardíaca isola o subvolume cardíaco (ROI) para remover ruído de fundo torácico. Uma CNN 3D treinável (com base no MedicalNet) codifica então biomarcadores morfológicos de alta granularidade (por exemplo, calcificação da artéria coronária, geometria das câmaras) em uma representação densa.

• Raciocínio Agente de Pulmão para Coração:

  • Módulo de Percepção Pulmonar: Uma interface determinística (usando CT-CLIP) traduz o volume TCBD em um conjunto estruturado de achados pulmonares normalizados (conceito, descrição, confiança). Isso cria um gargalo discreto, impedindo que o agente de raciocínio acesse voxels brutos ou metadados do paciente.
  • Agente de Raciocínio de Conhecimento: Dado os achados estruturados e um corpus de conhecimento cardiopulmonar curado (recuperado via similaridade de texto), este agente constrói um grafo de mecanismos. Ele conecta achados a mecanismos intermediários (por exemplo, hipoxemia, inflamação sistêmica) e efeitos cardiopulmonares (por exemplo, hipertensão pulmonar), garantindo que cada vínculo seja apoiado por evidências recuperadas.
  • Agente de Raciocínio Diagnóstico: Este agente sintetiza o grafo de mecanismos em uma justificativa de linguagem natural delimitada. A saída é um estado estruturado contendo mecanismos, efeitos e uma justificativa concisa, estritamente restringida para evitar alucinar histórico do paciente ou emitir vereditos diagnósticos diretos.

• Fusão Multimodal Consciente de Conhecimento:

  • Um codificador semântico projeta a justificativa textual em um embedding latente.
  • O preditor final funde três representações normalizadas: as características visuais cardíacas, o prior de risco pulmonar congelado e o embedding de justificativa derivado do raciocínio.
  • Uma cabeça específica da tarefa prevê o status de rastreamento de DCV e mortalidade por DCV usando perda de entropia cruzada binária. Apenas o codificador cardíaco e as cabeças de fusão são treináveis; os módulos de percepção, raciocínio e risco pulmonar permanecem congelados ou instanciados externamente para garantir que a via de raciocínio seja auditável.

3. Contribuições Principais

• Formulação de Raciocínio entre Doenças: O artigo formula a previsão de DCV baseada em TCBD como um problema de raciocínio explícito, convertendo achados pulmonares em hipóteses cardiovasculares de nível de mecanismo, em vez de tratá-los como características auxiliares não estruturadas.
• Framework Multimodal Auditável: Os autores desenvolvem um framework que ancora previsões em evidências visuais cardíacas localizadas, enquanto expõe uma via de raciocínio de pulmão para coração transparente e passo a passo. Isso desloca o Modelo de Linguagem de Grande Escala (LLM) de um agregador genérico de texto para um componente de raciocínio baseado em conhecimento e restrito.
• Suite de Avaliação Direcionada: O estudo fornece um protocolo de avaliação rigoroso, incluindo baselines específicas para o coração, controles de fusão apenas de visão, controles semânticos estruturados, propagação de regras fixas e ablações de backend de raciocínio para isolar a fonte dos ganhos de desempenho.

4. Resultados Experimentais

Os experimentos foram conduzidos na coorte do National Lung Screening Trial (NLST) (32.136 varreduras TCBD de 10.395 sujeitos).

• Desempenho: O framework proposto alcançou desempenho de última geração com uma AUC de 0,919 para rastreamento de DCV e 0,838 para previsão de mortalidade por DCV (usando um backbone ResNet-200 3D). Isso superou baselines fortes, incluindo modelos fundacionais (M3FM, Sybil) e modelos cardíacos especializados (DeepCAC, KAMP-Net).
• Estudos de Ablação:
  • Apenas Região Cardíaca: Alcançou desempenho moderado (AUC ~0,886 para rastreamento), destacando o valor da morfologia cardíaca localizada.
  • Apenas Região Pulmonar: Desempenhou mal (AUC ~0,73), indicando que evidências visuais pulmonares isoladas são insuficientes.
  • Fusão: Adicionar o prior de risco pulmonar e o ramo de raciocínio proporcionou ganhos incrementais, demonstrando que o contexto sistêmico e o raciocínio de nível de mecanismo complementam as características cardíacas locais.
• Variantes de Controle: O ganho de desempenho não foi explicado simplesmente pela adição de mais características visuais torácicas (fusão apenas de visão), propagação de regras fixas ou um único backend proprietário de raciocínio. A abordagem de raciocínio estruturado superou regras fixas e backends alternativos de LLM (Qwen, Baichuan), sugerindo que o ganho decorre da formulação específica de doenças cruzadas.
• Robustez: O modelo mostrou resiliência a perturbações na extração de achados pulmonares (por exemplo, variando limiares de confiança ou dropout aleatório de achados) e manteve o desempenho em diferentes backends de raciocínio, apoiando a viabilidade de implantação local.

5. Significado e Alegações

O artigo afirma que seu significado principal reside em fornecer uma abordagem auditável para avaliação de risco cardiovascular entre doenças. Ao modelar explicitamente a interação fisiológica entre pulmão e coração por meio de uma via de raciocínio restrita, o framework vai além da natureza de "caixa-preta" dos modelos atuais de aprendizado profundo.

• Interpretabilidade: O sistema gera justificativas em linguagem natural fundamentadas em conhecimento médico e vinculadas a achados pulmonares específicos, permitindo que os clínicos inspecionem a lógica (por exemplo, como a fibrose leva à hipoxemia e, subsequentemente, ao risco de insuficiência cardíaca).
• Utilidade Clínica: O framework utiliza varreduras TCBD já adquiridas para rastreamento pulmonar, oferecendo uma janela oportunista para avaliação de DCV sem exigir varreduras adicionais ou pontuação de cálcio manual.
• Modularidade: O design separa priores de risco, percepção, raciocínio e evidência cardíaca, permitindo que componentes individuais sejam atualizados ou substituídos (por exemplo, com melhores LLMs locais) sem retreinar todo o sistema ou alterar o protocolo de avaliação.

Os autores permanecem modestos quanto à implantação clínica, observando que as justificativas geradas são explicações de nível de mecanismo e não prova causal, e que validação prospectiva em diversos scanners e populações é necessária antes da adoção clínica.