TRACE: Temporal Radiology with Anatomical Change Explanation for Grounded X-ray Report Generation

Resumo Técnico: TRACE – Radiologia Temporal com Explicação de Mudança Anatômica

Definição do Problema
A radiologia clínica depende fortemente da comparação temporal de radiografias de tórax para detectar progressão de doenças, resposta ao tratamento e novos achados. Embora os métodos automatizados existentes tenham avançado na geração de laudos de imagem única e no embasamento visual (visual grounding), eles falham em abordar a necessidade crítica da detecção de mudança temporal. As abordagens atuais geralmente se dividem em três categorias distintas: (1) a geração de laudos de imagem única carece de contexto temporal; (2) métodos de classificação temporal detectam progressão, mas produzem apenas rótulos sem localização espacial; e (3) a geração de laudos fundamentada localiza achados, mas opera em imagens únicas sem raciocínio temporal. Consequentemente, nenhum método existente realiza simultaneamente a comparação temporal, a classificação de mudança (piorou/melhorou/estável) e a localização espacial para gerar laudos fundamentados que descrevam o que mudou, onde e como.

Metodologia
Os autores apresentam o TRACE (Temporal Radiology with Anatomical Change Explanation), um framework unificado projetado para gerar laudos em linguagem natural com coordenadas de caixas delimitadoras (bounding boxes) para mudanças intervalares entre uma imagem anterior e uma atual.

• Arquitetura: O TRACE baseia-se no framework LLaVA, utilizando um codificador de visão BioViL-T congelado (pré-treinado em radiografias de tórax com consciência temporal) e um decodificador de grande modelo de linguagem (LLM) (Vicuna-7B ou Mistral-7B).
• Fusão de Características: Em vez de usar imagens de diferença explícitas ou módulos de atenção temporal, o modelo emprega concatenação de características. As características das imagens anterior e atual são extraídas independentemente usando pesos compartilhados e são concatenadas para formar uma sequência de 392 tokens visuais. O mecanismo de autoatenção do LLM lida implicitamente com a comparação entre as imagens.
• Estratégia de Treinamento: O modelo é treinado em duas etapas:
  1. Alinhamento: O projetor MLP é treinado para alinhar as características visuais com o espaço de embedding do LLM.
  2. Ajuste de Instrução (Instruction Tuning): Ajuste fino de ponta a ponta usando Adaptação de Baixo Posto (LoRA) no LLM para gerar laudos temporais fundamentados. O objetivo de treinamento minimiza a log-verossimilhança negativa para os tokens alvo, que incluem descrições em linguagem natural e coordenadas de caixas delimitadoras normalizadas (ex: <box>x1,y1,x2,y2</box>).
• Dataset: O modelo é treinado em um dataset construído de 79.202 amostras de treinamento e 22.553 amostras de teste, derivados do MIMIC-CXR-JPG e Chest ImaGenome. Este dataset pareia estudos consecutivos do mesmo paciente com anotações temporais fundamentadas indicando se os achados pioraram, melhoraram ou permaneceram estáveis.

Principais Resultados

• Desempenho: O TRACE alcança 48,0% de acurácia na desafiadora tarefa de classificação de mudança de três vias (piorou, melhorou, estável). Demonstra alta precisão espacial com 90,2% de acurácia de fundamentação (IoU > 0,5) e fortes escores de eficácia clínica (F1 RadGraph: 0,406; F1 CheXbert: 0,432).
• Estudo de Ablação (Capacidade Emergente): Uma descoberta crítica é que a detecção de mudança é uma capacidade emergente que requer o aprendizado conjunto da comparação temporal e da fundamentação espacial.
  • Modelos com acesso a ambas as imagens, mas sem supervisão de fundamentação, falharam completamente, prevendo "estável" para todas as amostras (4 de 43,8% de acurácia, correspondendo à maioria do baseline).
  • Modelos de imagem única (carecendo do estudo anterior) também falharam em gerar comparações temporais.
  • Os autores hipotetizam que a fundamentação fornece um mecanismo de atenção espacial necessário, forçando o modelo a focar em regiões anatômicas específicas para permitir um raciocínio temporal significativo.
• Disparidades Anatômicas: O desempenho varia por anatomia. O modelo detecta mudanças na silhueta cardíaca (68,8%) e mediastinal (75,5%) com mais precisão do que mudanças no parênquima pulmonar (~45%), provavelmente devido à natureza difusa e sutil das patologias pulmonares.
• Sensibilidade do Modelo: Uma comparação entre Vicuna-7B e Mistral-7B revelou um compromisso entre sensibilidade e especificidade. O Vicuna-7B favoreceu previsões "estáveis" conservadoras (alta especificidade), enquanto o Mistral-7B exibiu detecção de mudança agressiva (alta sensibilidade), sugerindo que diferentes backbones se adequam a diferentes cenários de implantação clínica.

Significância e Contribuições
O artigo reivindica três contribuições primárias:

1. Nova Definição de Tarefa: Introduz a "detecção de mudança temporal fundamentada", unificando comparação temporal, classificação e localização em um único framework.
2. Descoberta de Comportamento Emergente: Revela que o raciocínio temporal neste contexto não é inerente apenas a entradas de múltiplas imagens, mas emerge apenas quando combinado com a supervisão de fundamentação espacial. Isso sugere que a fundamentação atua como um viés indutivo crítico para a análise temporal.
3. Construção de Dataset: Fornece um dataset de larga escala com anotações temporais fundamentadas para permitir a avaliação sistemática desta nova tarefa.

Os autores posicionam o TRACE como um passo fundamental em direção a uma IA clinicamente acionável que pode descrever mudanças intervalares com contexto espacial preciso, uma capacidade anteriormente ausente em sistemas de radiologia automatizados.