Resumo Técnico: Aprendizado Multimodal Guiado por Priores Clínicos para Triagem de Escoliose Baseada na Marcha

Definição do Problema

A Escoliose Idiopática do Adolescente (EIA) é uma deformidade espinhal prevalente que requer detecção precoce para mitigar a progressão. Os métodos de triagem atuais, como o Teste de Inclinação Anterior de Adams, sofrem de subjetividade, inconsistência e dependência de expertise clínica especializada, tornando-os difíceis de escalar. Embora a visão computacional ofereça alternativas, as abordagens baseadas em vídeo existentes enfrentam três limitações críticas:

1. Vazamento de Dados (Data Leakage): Muitos conjuntos de dados de referência contêm clipes repetidos dos mesmos indivíduos tanto no conjunto de treinamento quanto no de teste, levando a métricas de desempenho infladas, onde os modelos memorizam traços específicos do sujeito em vez de aprender padrões patológicos generalizáveis.
2. Falta de Interpretabilidade: Modelos de aprendizado profundo para análise de marcha frequentemente funcionam como "caixas pretas", falhando em fornecer a transparência clínica necessária para a adoção por profissionais.
3. Fusão Simplista: Os métodos multimodais atuais frequentemente empregam mecanismos de fusão simplistas que não conseguem capturar as relações sutis entre padrões cinemáticos e priores clínicos.

Além disso, os conjuntos de dados existentes frequentemente dependem de rótulos de triagem física propensos a erros, em vez do padrão-ouro radiográfico (Ângulo de Cobb).

Metodologia

1. O Conjunto de Dados ScoliGait

Para abordar problemas de qualidade de dados e vazamento, os autores introduzem o ScoliGait, um novo benchmark construído com protocolos rigorosos:

• Composição: 1.572 clipes de treinamento derivados de 550 adolescentes únicos e um conjunto de teste mantido à parte com 300 clipes de 300 indivíduos diferentes não vistos durante o treinamento.
• Verdade Fundamental (Ground Truth): Os rótulos baseiam-se em medições radiográficas do Ângulo de Cobb (o padrão-ouro clínico), com um limiar de 10 graus para diagnóstico positivo.
• Anotações Multimodais: Cada clipe inclui:
  • Vídeo: 1080p, 30Hz, capturando ciclos completos de caminhada.
  • Mapa de Conhecimento Cinemático: Uma representação estruturada de 238 características no espaço do movimento, no espaço do esqueleto próprio e na correlação cruzada de sinais.
  • Texto Clínico: Descrições textuais geradas automaticamente de padrões de marcha baseadas em análise estatística de grupo e priores clínicos (ex: "balanço assimétrico de braços em tipos de curva torácica").

2. Mapa de Conhecimento Cinemático

Os autores propõem um mapa de conhecimento cinemático guiado por prior clínico para codificar a dinâmica holística da marcha.

• Extração de Características: 238 características são computadas, incluindo distâncias de pares de articulações (Euclidiana), ângulos intersegmentares (trigonométrica) e coordenação temporal (correlação cruzada de sinal).
• Interpretabilidade: Este mapa serve como um "dicionário legível por humanos". Durante a inferência, os escores de atenção do modelo são mapeados de volta para esta estrutura, permitindo que clínicos identifiquem características cinemáticas específicas (ex: assimetria ou dinâmica articular) que impulsionam a decisão, em vez de depender apenas da atenção de pixels brutos.

3. Arquitetura do Modelo: Agrupamento de Atenção Latente (Latent Attention Pooling)

O framework proposto integra três modalidades (Vídeo, Mapa de Conhecimento, Texto) usando um mecanismo de fusão especializado:

• Codificadores:
  • Texto: Sentence-Transformers (all-MiniLM-L6-v2).
  • Vídeo e Mapa de Conhecimento: Backbones de Vision Transformer (ViT) com métodos distintos de incorporação de patches (patch embedding).
• Agrupamento de Atenção Latente (Latent Attention Pooling): Inspirado em incorporações avançadas de modelos de linguagem (ex: NV-Embed), os autores substituem o agrupamento médio padrão por uma camada de agrupamento de atenção latente. Esta utiliza um dicionário latente treinável para consultar a sequência de entrada via atenção cruzada (cross-attention).
• Fusão: Este mecanismo gera incorporações (embeddings) altamente expressivas e holísticas que capturam representações clinicamente salientes melhor do que o agrupamento padrão, facilitando uma fusão multimodal superior.
• Alinhamento: As incorporações posicionais são explicitamente alinhadas entre o mapa de conhecimento e as modalidades de vídeo para garantir a correspondência temporal.

Principais Resultados

Desempenho na Triagem Binária

Avaliado no conjunto de teste independente de sujeitos, a abordagem multimodal proposta estabeleceu um novo estado da arte:

• Melhor Configuração (Mapa de Conhecimento + Vídeo + Texto): Alcançou 70,0% de Acurácia e um F1-score de 61,9%.
• Comparação de Modalidades: O Mapa de Conhecimento sozinho superou o modelo de Vídeo bruto (58,0% vs. 56,3% de Acurácia), demonstrando que representações cinemáticas estruturadas são mais discriminativas para esta tarefa do que características visuais brutas.
• Impacto da Fusão: A integração do Mapa de Conhecimento com o Vídeo melhorou significativamente o desempenho em relação às modalidades únicas. A adição de texto clínico aumentou ainda mais o F1-score para a classe positiva.
• Comparação com Baseline: Modelos existentes como o ScoNet-MT mostraram acurácia geral comparável, mas sensibilidade (Recall) significativamente menor para a classe positiva (ex: 5,4% de recall em uma configuração), indicando uma falha em identificar corretamente casos de escoliose.

Explicabilidade

O sistema fornece insights granulares e clinicamente interpretáveis:

• Ao contrário dos mapas de calor de atenção convencionais em esqueletos, o Mapa de Conecimento permite a extração de características cinemáticas específicas com alta resolução temporal.
• O modelo pode destacar períodos de tempo específicos e variáveis clínicas (ex: sincronização de membros) que contribuem para o diagnóstico, unindo o raciocínio algorítmico ao julgamento clínico.

Significância e Alegações

O artigo afirma fornecer uma base robusta, interpretável e clinicamente fundamentada para a avaliação não invasiva e escalável da EIA. Suas principais contribuições são:

1. Avaliação Confiável: Ao eliminar o vazamento de dados através de um conjunto de teste estritamente independente de sujeitos e utilizando rótulos de padrão-ouro radiográfico, o ScoliGait oferece um benchmark realista para avaliar a generalização.
2. Interpretabilidade: O mapa de conhecimento guiado por prior clínico vai além das características de "caixa preta", oferecendo um framework estruturado que traduz decisões do modelo em análise de movimento acionável e compreensível para o clínico.
3. Fusão Avançada: O mecanismo de agrupamento de atenção latente demonstra que técnicas de incorporação avançadas, tipicamente usadas em modelos de linguagem, podem melhorar significativamente a fusão de dados médicos heterogêneos (vídeo, cinemática estruturada e texto) para análise de movimento complexa.

Os autores concluem que este trabalho aborda as limitações centrais da triagem baseada em vídeo atual — confiabilidade de dados, opacidade do modelo e complexidade de integração — pavimentando o caminho para uma implementação clínica mais eficaz. O código está programado para ser liberado após a publicação.