Singpath-VL Technical Report

Resumo Técnico: Singpath-VL

1. O Problema
O relatório aborda uma lacuna crítica na inteligência artificial aplicada à patologia: a falta de assistentes especializados em citopatologia cervical. Embora os Modelos de Linguagem Multimodal (MLLMs) de propósito geral tenham avançado na análise de imagens médicas, sua aplicação na citopatologia cervical (baseada no Sistema de Bethesda - TBS) permanece subexplorada.

• Bottleneck Principal: A escassez de grandes conjuntos de dados públicos, de alta qualidade e anotados que associem imagens de citologia a descrições morfológicas detalhadas de nível especialista.
• Desafio Técnico: Ao contrário da histopatologia, que depende da arquitetura do tecido, o diagnóstico citológico exige a interpretação precisa de características celulares e nucleares sutis (ex.: hiper cromatismo nuclear, membranas irregulares, aumento da relação núcleo-citoplasma). Modelos genéricos falham em capturar essa "lexicografia visual" fina e a lógica diagnóstica necessária.

2. Metodologia
A equipe propôs uma abordagem de duas etapas principais: a criação de um pipeline de geração de dados e o treinamento de um modelo especializado.

• Pipeline de Geração de Dados (Singpath-CytoText):
  Para superar a falta de dados anotados manualmente, os autores desenvolveram um pipeline automatizado de três estágios para sintetizar um conjunto de dados de escala de milhões de imagens:

  1. Geração Paralela: Três MLLMs de propósito geral (Qwen3-VL-32B, InternVL-3.5-38B, Baichuan-Omni-1.5) atuam como "anotadores fracos", gerando descrições independentes focadas em dimensões morfológicas chave do TBS.
  2. Fusão de Consenso: Um Grande Modelo de Linguagem (LLM) atua como integrador, extraindo o consenso entre as descrições, resolvendo conflitos e filtrando características que os modelos base não conseguem perceber corretamente (dimensões "falsas").
  3. Injeção de Conhecimento Especialista: Um modelo menor, mas finamente ajustado especificamente para citopatologia cervical, refina a descrição final, adicionando detalhes morfológicos críticos que os modelos gerais podem ter negligenciado.
  • Resultado: O conjunto de dados Singpath-CytoText, contendo pares imagem-descrição de alta fidelidade.

• Estratégia de Treinamento (Singpath-VL):
  O modelo base escolhido foi o Qwen3-VL-4B, ajustado através de uma receita de treinamento em três estágios:

  1. Alinhamento Visão-Linguagem: Ajuste fino de parâmetros completos no Singpath-CytoText para alinhar o codificador visual com o decodificador de linguagem no domínio citopatológico.
  2. Ajuste Fino Supervisionado (SFT): Treinamento para seguir instruções complexas e estruturadas, simulando consultas diagnósticas reais e relatórios baseados no TBS.
  3. Reprodução de Conhecimento (Knowledge Replay): Para mitigar o "esquecimento catastrófico" (perda de conhecimento geral), o modelo é treinado simultaneamente com dados específicos do domínio e dados de domínio geral, utilizando o modelo base original para gerar pares de perguntas e respostas (QA) como regularização.

3. Principais Contribuições

• Novo Pipeline de Dados: Criação de um método escalável e robusto para gerar dados de imagem-texto específicos para citologia, superando a barreira da escassez de anotações manuais.
• Modelo Especializado (Singpath-VL): Desenvolvimento do primeiro assistente de linguagem visual focado em citopatologia cervical, capaz de entender a terminologia morfológica fina e a lógica do Sistema de Bethesda.
• Contribuição Open-Source: Compromisso de liberar uma parte do conjunto de dados sintético (Singpath-CytoText) e dos benchmarks para promover a transparência e pesquisa futura.

4. Resultados e Avaliação
Os autores avaliaram o modelo em dois benchmarks construídos por especialistas:

• MorphoPercept-Bench (Percepção Morfológica): O Singpath-VL superou significativamente todos os modelos de base (incluindo Qwen3-VL, InternVL, Medgemma) na identificação de 9 características morfológicas críticas.
  • Destaque: O modelo alcançou uma precisão média de 89,0%, superando não apenas os outros modelos, mas também a acordo inter-rater (78,2%) entre os especialistas humanos, indicando uma consistência superior na percepção de características finas.
• CytoCell-Bench (Classificação Diagnóstica TBS): Avaliação de classificação em 6 categorias (NILM, ASC-US, LSIL, ASC-H, HSIL, AGC).
  • O Singpath-VL atingiu 100% de precisão na categoria NILM (Negativo para lesão intraepitelial ou malignidade) e superou modelos de visão pura (EfficientNet B0) nas categorias ambíguas e clinicamente desafiadoras (ASC-US e ASC-H).
  • Modelos de propósito geral falharam catastroficamente, tendendo a classificar erroneamente a maioria das amostras como positivas devido a vieses de treinamento.

5. Significado e Impacto
O Singpath-VL representa um avanço paradigmático na aplicação de IA na citopatologia cervical.

• Validação de Dados Sintéticos: Demonstra que pipelines de "anotadores fracos" refinados por especialistas podem gerar dados de treinamento de alta qualidade suficientes para superar a escassez de dados reais anotados.
• Assistência Clínica Potencial: O modelo oferece um nível de precisão que rivaliza ou excede a consistência humana em tarefas de percepção fina, servindo como uma ferramenta robusta para triagem e suporte diagnóstico.
• Futuro: O trabalho abre caminho para sistemas de raciocínio causal (explicando por que um diagnóstico foi dado) e a expansão para outras subespecialidades da citopatologia (pan-citopatologia), transformando a IA de uma ferramenta de reconhecimento de padrões para um parceiro cognitivo na prática clínica.