INTERACT-CMIL: Multi-Task Shared Learning and Inter-Task Consistency for Conjunctival Melanocytic Intraepithelial Lesion Grading

Resumo Técnico: INTERACT-CMIL

Declaração do Problema
A classificação precisa de Lesões Intraepiteliais Melanocíticas da Conjuntiva (CMIL) é crítica para prever o melanoma da conjuntiva e determinar o tratamento. No entanto, as práticas diagnósticas atuais dependem de exame histopatológico subjetivo de seções coradas com Hematoxilina e Eosina (H&E), levando a uma variabilidade significativa entre observadores, particularmente para lesões de baixo grau. A complexidade da classificação de CMIL decorre da necessidade de avaliar cinco eixos histopatológicos inter-relacionados simultaneamente: classificação WHO4, classificação WHO5, extensão horizontal (HS), extensão vertical (VS) e atipia citológica (AP). Esses critérios exibem fortes dependências (por exemplo, atipia grave frequentemente coincide com aumento da proliferação vertical), contudo, as abordagens computacionais existentes frequentemente modelam esses eixos de forma independente, arriscando previsões clinicamente implausíveis ou inconsistentes. Além disso, a raridade de CMIL e a escassez de dados anotados apresentam desafios para o treinamento de modelos robustos de aprendizado profundo.

Metodologia
Os autores propõem o INTERACT-CMIL, um framework de aprendizado profundo multi-cabeça projetado para prever conjuntamente os cinco eixos diagnósticos, enquanto impõe consistência entre as tarefas. A arquitetura é construída sobre o modelo fundamental CHIEF, um codificador de patologia em grande escala pré-treinado em diversas imagens de lâminas inteiras, que serve como um extrator de características congelado para capturar representações histomorfológicas transferíveis.

A metodologia central consiste em três componentes-chave:

1. Aprendizado de Características Compartilhadas com Supervisão Parcial Combinatória (SFCS): O framework utiliza uma representação latente compartilhada transformada em cinco cabeças de classificação específicas para cada tarefa. Em vez de otimizar todas as cabeças simultaneamente, o modelo emprega uma estratégia de supervisão parcial combinatória. Durante cada iteração de treinamento, apenas um subconjunto de três cabeças é ativado. O sistema cicla sistematicamente por todas as combinações possíveis de três cabeças, garantindo exposição uniforme a contextos de supervisão diversos. Essa abordagem mitiga o sobreajuste e incentiva a representação compartilhada a codificar características que generalizam entre tarefas correlacionadas, mas não idênticas.
2. Regularização de Dependência Inter-tarefa: Para abordar as correlações estruturadas entre os eixos de classificação, os autores introduzem uma perda de dependência baseada em divergência ($L_{dep}$). Essa função de perda alinha as distribuições conjuntas de tarefas previstas com as estatísticas de co-ocorrência empíricas observadas nos dados. Ao minimizar a divergência de Kullback-Leibler (KL) entre a distribuição conjunta prevista e o prior empírico, o modelo impõe coerência semântica e consistência entre as saídas das diferentes cabeças.
3. Objetivo Geral: A função de perda total combina a perda de classificação ($L_{cls}$) das cabeças ativas e a perda de dependência ($L_{dep}$), ponderadas por um hiperparâmetro $\lambda$. Isso garante que o modelo otimize tanto a precisão ao nível da tarefa quanto a consistência entre tarefas.

Principais Contribuições

• Primeiro Framework Especializado: O artigo apresenta o primeiro framework de aprendizado profundo projetado especificamente para classificação de CMIL, integrando tanto os paradigmas de classificação WHO quanto C-MIN.
• Arquitetura Inovadora: Introduz uma arquitetura multi-cabeça que utiliza supervisão parcial combinatória para promover robustez e aprendizado equilibrado entre tarefas correlacionadas.
• Modelagem de Dependência: A proposta de uma perda de interdependência que captura explicitamente relações entre critérios, aprimorando a interpretabilidade do modelo e a coerência diagnóstica.
• Curadoria de Conjunto de Dados: A criação e liberação de um conjunto de dados recém-curado, multicêntrico, compreendendo 486 patches de biópsia da conjuntiva anotados por especialistas de três hospitais universitários alemães (Bonn, Tübingen e Erlangen), fornecendo uma base robusta para aprendizado multi-tarefa neste domínio.

Resultados
O framework foi avaliado em um conjunto de teste retido utilizando validação cruzada de 5 dobras, com desempenho medido por escores F1 macro. O INTERACT-CMIL alcançou melhorias consistentes sobre uma linha de base CNN padrão (ResNet-18) e uma linha de base de modelo fundamental (BaseCHIEF) treinada com objetivos de tarefa única ou multi-tarefa conjunta.

• Ganhos de Desempenho: Em relação à linha de base mais forte (BaseCHIEF), o INTERACT-CMIL alcançou ganhos relativos macro F1 de 55,1% para WHO4, 24,7% para WHO5, 15,2% para Extensão Horizontal, 25,0% para Extensão Vertical e 12,5% para Atipia.
• Estudos de Ablação: Os autores conduziram estudos de ablação para quantificar a contribuição de cada componente:
  • A remoção da perda de dependência causou a maior queda individual de desempenho (aproximadamente 2–3% de diminuição média no macro F1), afetando particularmente a detecção de atipia e extensão vertical.
  • A desativação do escalonamento de temperatura reduziu ainda mais o desempenho em ~5–6%.
  • A eliminação da supervisão seletiva multi-cabeça levou à queda cumulativa mais significativa (média superior a 8% abaixo do modelo completo), confirmando seu papel como um regularizador forte que previne a dominação de gradientes e equilibra o aprendizado entre tarefas.
• Análise Qualitativa: Comparações visuais demonstraram estreita concordância entre a verdade fundamental e as previsões do modelo, incluindo em casos limítrofes onde a variabilidade humana é tipicamente alta.

Significado e Alegações
O artigo afirma que o INTERACT-CMIL estabelece um framework reprodutível, interpretável e alinhado clinicamente para classificação automatizada de CMIL. Ao modelar explicitamente dependências diagnósticas por meio de aprendizado de características compartilhadas e regularização de dependência, o sistema produz previsões multi-critério coerentes que se alinham com o consenso de especialistas e os padrões estabelecidos WHO/C-MIN. Os autores posicionam este trabalho como um passo em direção à patologia ocular digital padronizada, oferecendo um benchmark computacional que aborda a subjetividade e a variabilidade inerentes às práticas atuais de classificação manual. O estudo enfatiza que os maiores ganhos de desempenho foram observados em tarefas que dependem de pistas morfológicas sutis e consistência inter-critério (extensão vertical e atipia citológica), áreas onde modelos de tarefa única ou baseados em CNN padrão tendem a falhar.