Resumo Técnico: Geração de Relatórios Médicos com Reforço de Recompensa de Grão Fino e Enriquecimento de Conhecimento (KERM)

Definição do Problema

A geração de relatórios radiológicos a partir de imagens médicas é uma tarefa crítica, porém laboriosa para os radiologistas. Embora os Grandes Modelos de Linguagem-Visão (LVLMs) tenham demonstrado capacidades impressionantes em unir modalidades visuais e textuais, sua aplicação no domínio médico é dificultada por uma suscetibilidade significativa a "alucinações". Estas são instâncias onde os modelos geram afirmações que parecem plausíveis, mas são factualmente imprecisas (por exemplo, identificar incorretamente um marca-passo como hipertrofia cardíaca).

As estratégias de mitigação existentes, que frequentemente focam no refinamento dos dados de treinamento ou no ajuste das arquiteturas dos modelos, não resolveram totalmente este problema. Os autores identificam duas causas raízes primárias:

1. Escassez de Anotações de Alta Qualidade: Conjuntos de dados médicos carecem frequentemente das anotações precisas e de nível especialista necessárias para guiar os modelos de forma eficaz, levando à geração de informações incorretas.
2. Distribuição de Cauda Longa (Long-Tail Distribution): Conjuntos de dados médicos frequentemente sobre-representam condições comuns enquanto sub-representam outras mais raras, fazendo com que os outputs dos modelos desviem dos achados médicos esperados para casos menos comuns.

Metodologia: O Framework KERM

Para enfrentar esses desafios, os autores propõem o KERM (Knowledge-Enhanced with Fine-Grained Reinforced Rewards Medical Report Generation). O framework opera sobre um LVLM pré-treinado (especificamente o LLaVA-1.5-7b) e integra dois módulos principais: Enriquecimento de Conhecimento Médico (MKE) e Modelagem de Recompensa via Feedback de Grão Fino (RM).

1. Enriquecimento de Conhecimento Médico (MKE)

Este módulo visa fundamentar a compreensão do LVLM em fatos médicos curados e externos.

• Construção do Corpus de Conhecimento: Um corpus de 100.000 sentenças de fatos médicos é construído através do processamento de descrições de regiões dos conjuntos de dados MIMIC-CXR e CheXpert.
• Recuperação de Conhecimento: Para uma imagem de entrada específica, o sistema utiliza o MedCLIP (um modelo multimodal pré-treinado) para recuperar os 10 fatos mais relevantes do corpus com base na similaridade de cosseno entre os embeddings de imagem e texto.
• Módulo de Purificação: Para garantir que o conhecimento recuperado seja contextualmente relevante para o paciente específico, um módulo de purificação é empregado. Ele constrói um embedding de contexto ($E_C$) derivado das indicações do paciente e do histórico clínico. Os fatos inicialmente recuperados são reclassificados com base em sua similaridade com este vetor de contexto, e os 5 fatos mais relevantes são selecionados para formar o conjunto de conhecimento purificado final ($K'$). Este conjunto é alimentado no LVLM junto com as características da imagem para guiar a geração do relatório.

2. Modelagem de Recompensa via Feedback de Grão Fino (RM)

Para mitigar alucinações durante o treinamento, o KERM emprega uma estratégia de aprendizado por reforço com um sistema de recompensa de nível duplo.

• Recompensa de Nível de Doença ($R_{dis}$): O sistema utiliza a ferramenta de rotulagem CheXpert para extrair 14 terminologias médicas tanto dos relatórios gerados quanto dos relatórios de referência. Um F1-score é calculado para cada rótulo para avaliar o alinhamento das previsões de doenças com a verdade fundamental (ground truth), equilibrando precisão e recall.
• Recompensa de Nível de Sentença ($R_{sen}$): Utilizando o GPT-3.5, o sistema avalia a coerência e a plausibilidade das sentenças geradas em relação ao ground truth. O GPT-3.5 é instruído a pontuar a similaridade entre pares de sentenças em uma escala de 0 a 1, penalizando desvios de achados médicos esperados, mesmo que não sejam flagrantemente incorretos.
• Perda de Reforço (Reinforcement Loss): A recompensa total ($R_t$) para uma sequência gerada é uma combinação ponderada de $R_{dis}$ e $R_{sen}$, controlada por um hiperparâmetro $\alpha$. Esta recompensa guia a otimização do modelo via Algoritmo Reinforce, minimizando uma função de perda combinada de entropia cruzada e perda de reforço.

Principais Contribuições

O artigo delineia três contribuições primárias:

1. Abordagem de Enriquecimento de Conhecimento: A integração de um corpus de conhecimento curado extraído de conjuntos de dados públicos (MIMIC-CXR, CheXpert) para fortalecer os inputs do LVLM. Isso garante que os relatórios gerados sejam fundamentados em informações médicas precisas e relevantes, melhorando a capacidade do modelo de produzir descrições confiáveis.
2. Modelagem de Recompensa de Grão Fino via Reforço: O desenvolvimento de um sistema de recompensa de nível duplo (nível de doença e nível de sentença) que penaliza especificamente o conteúdo alucinatório. Isso promove outputs que se alinham estreitamente com as normas médicas e mitiga a ocorrência de erros factuais.
3. Validação Empírica Abrangente: Experimentos extensos demonstrando que o método proposto supera os métodos de estado da arte existentes tanto em métricas de Geração de Linguagem Natural (NLG) quanto em métricas de Eficácia Clínica (CE).

Resultados Experimentais

O framework KERM foi avaliado em dois benchmarks amplamente utilizados: IU-Xray e MIMIC-CXR.

• Métricas de Geração de Linguagem Natural (NLG): No conjunto de dados IU-Xray, o KERM alcançou resultados de estado da arte em todas as métricas, incluindo BLEU-4 (0.182), METEOR (0.197) e ROUGE-L (0.388). No MIMIC-CXR, superou métodos existentes na maioria das métricas de NLG, alcançando desempenho comparável ao estado da arte em BLEU-4 e METEOR.
• Métricas de Eficácia Clínica (CE): O KERM superou significativamente os métodos anteriores em F1-score, precisão e recall para detecção de doenças. Notavelmente, embora sua precisão tenha sido ligeiramente inferior à do método KM, ele alcançou um F1-score superior (0.415 no MIMIC-CXR), indicando um melhor equilíbrio entre a identificação de verdadeiros positivos e a minimização de falsos positivos/negativos.
• Estudos de Ablação: Experimentos confirmaram que ambos os módulos MKE e RM contribuem significativamente para o desempenho. O módulo MKE proporcionou ganhos substanciais ao fornecer informações contextuais detalhadas (ex: posição e existência de lesão), enquanto o módulo RM reduziu efetivamente as alucinações. A integração de ambos os módulos resultou no melhor desempenho geral.
• Estudos de Caso: A análise qualitativa (Figura 5) demonstrou que o KERM cobre quase todos os termos médicos necessários e anormalidades encontradas nos relatórios de referência, enquanto o LVLM base frequentemente perdia detalhes cruciais ou introduzia alucinações.

Significância e Alegações

Os autores afirmam que o KERM oferece uma solução robusta para o desafio crítico das alucinações na geração de relatórios médicos. Ao combinar a recuperação de conhecimento externo com um mecanismo de purificação e um sistema de recompensa de grão fino, o framework aumenta o ancoramento visual dos LVLMs além dos baselines pré-treinados.

O artigo enfatiza que esta abordagem não apenas melhora as métricas estatísticas de linguagem, mas aumenta significativamente a relevância clínica e a precisão diagnóstica. Os autores sustentam que seu método produz relatórios que não são apenas factualmente precisos, mas também alinhados com os padrões típicos observados na prática médica. No entanto, os autores mantêm a modéstia quanto ao escopo de suas alegações, reconhecendo limitações como a dependência da qualidade do corpus de conhecimento, o potencial para o módulo de purificação perder narrativas clínicas sutis e os custos computacionais associados ao treinamento de grandes modelos. Eles concluem que, embora o KERM apresente resultados promissores, investigações adicionais são necessárias para garantir a generalização através de diversos conjuntos de dados e domínios médicos.