Image-based Joint-level Detection for Inflammation in Rheumatoid Arthritis from Small and Imbalanced Data

1. O Problema

A Artrite Reumatoide (AR) é uma doença autoimune caracterizada por inflamação sistêmica das articulações, que pode levar a danos irreversíveis se não for tratada precocemente. O diagnóstico e o acompanhamento rigoroso dependem da detecção da inflamação sinovial ativa. No entanto, existem barreiras significativas:

• Acesso limitado a especialistas: Reumatologistas são escassos e mal distribuídos, dificultando o acesso a cuidados especializados.
• Limitações da Telemedicina: Métodos tradicionais de diagnóstico (como Ressonância Magnética ou Ultrassom) exigem equipamentos especializados e não são viáveis para monitoramento remoto por pacientes.
• Desafios Técnicos em Imagens RGB: O uso de imagens RGB (câmeras comuns) para detectar inflamação é promissor para telemedicina, mas enfrenta três grandes obstáculos:
  1. Escassez de dados: Dificuldade em coletar grandes conjuntos de imagens de pacientes afetados.
  2. Desequilíbrio de classes (Imbalance): A maioria das imagens disponíveis são de mãos saudáveis, enquanto os casos positivos (inflamados) são raros e localizados em articulações específicas.
  3. Falta de "Ground Truth" confiável: A inspeção visual por especialistas muitas vezes não concorda com a presença real de inflamação. A verdade-terreno ideal deveria ser baseada em ultrassom, mas conjuntos de dados anotados dessa forma são inexistentes.

2. Metodologia Proposta

Os autores propõem um framework de aprendizado profundo robusto para detecção de inflamação no nível de cada articulação, utilizando apenas imagens RGB. A abordagem baseia-se em duas estratégias principais:

A. Arquitetura de Rede (Global-Local Encoder)

O modelo utiliza dois codificadores paralelos baseados em ResNet-18:

• Global Encoder: Processa a imagem completa da mão para capturar deformidades globais e contextos estruturais.
• Local Encoder: Processa "patches" (recortes) de cada articulação individual (dedos), extraídos com base em landmarks de posição das articulações.
• Integração: As características globais e locais são combinadas e alimentadas em um cabeçalho MLP (Multi-Layer Perceptron) para classificar o estado inflamatório de cada articulação.

B. Estratégia de Treinamento em Duas Etapas

Para lidar com a escassez de dados e o desequilíbrio de classes:

1. Pré-treinamento Auto-supervisionado: Os codificadores são pré-treinados no conjunto de dados "11k-hands" (11.000 imagens de mãos saudáveis) utilizando o algoritmo DINO (Self-supervised learning). Isso permite que o modelo aprenda representações ricas da anatomia da mão sem depender de dados rotulados de AR.
2. Ajuste Fino (Fine-tuning) com Focal Loss:
   • Os pesos dos codificadores são congelados para evitar overfitting.
   • Apenas o cabeçalho de classificação é treinado.
   • Utiliza-se a Focal Loss em vez da Binary Cross Entropy padrão. A Focal Loss reduz o peso dos exemplos fáceis (majoritários/saudáveis) e foca no treinamento dos exemplos difíceis e minoritários (inflamados), mitigando o desequilíbrio severo.

3. Contribuições Chave

1. Framework Escalável: Uma nova arquitetura baseada em Deep Learning para monitoramento remoto de AR.
2. Estratégia de Pré-treinamento: Uso de um grande conjunto de dados de mãos saudáveis para superar a falta de amostras positivas de AR.
3. Otimização para Desequilíbrio: Introdução da Focal Loss para garantir alta sensibilidade mesmo em articulações com baixa prevalência de inflamação.
4. Novo Conjunto de Dados de Alta Confiabilidade: Construção de um dataset RGB onde as anotações de inflamação são baseadas em achados de ultrassom (padrão-ouro), e não apenas em inspeção visual subjetiva. Este é o primeiro estudo a fornecer um dataset objetivo que conecta a aparência externa à inflamação sinovial interna.

4. Resultados Experimentais

O estudo foi realizado com um dataset de 222 imagens de mãos de 68 pacientes, com anotações validadas por ultrassom.

• Comparação com Baselines: O método proposto superou significativamente modelos de base (ResNet-18, ResNet-50, Inception-ResNetv2 e ViT).
  • F1-Score: 0,420 (vs. 0,230 do ResNet-18 e 0,212 do estado da arte anterior).
  • Gmean (Média Geométrica): 0,605 (vs. 0,356 do ResNet-18).
  • Recall: 0,478 (vs. 0,170 do ResNet-18), indicando uma melhor capacidade de detectar casos positivos.
• Desempenho vs. Humanos: Especialistas reumatologistas, avaliando apenas as imagens (sem palpação), obtiveram um F1-Score médio de 0,305 e uma precisão muito baixa (~0,21). Isso demonstra que a detecção visual pura é extremamente difícil e que o modelo proposto supera a capacidade humana de inspeção visual isolada.
• Estudo de Ablação:
  • Remover o pré-treinamento DINO reduziu o F1-score para 0,352.
  • Remover a Focal Loss causou uma queda drástica no Recall (0,115) e no F1-score (0,158), provando sua importância crítica para dados desbalanceados.
  • Remover a arquitetura Global/Local reduziu o Gmean, mostrando a importância de capturar tanto o contexto global quanto os detalhes locais.
• Falha de Modelos Grandes: Modelos grandes como ViT (Vision Transformer) falharam em convergir, resultando em soluções triviais (prever tudo como negativo), evidenciando que modelos com muitos parâmetros tendem a overfitting ou colapso em conjuntos de dados pequenos e desbalanceados.

5. Significado e Conclusão

O trabalho demonstra que é possível detectar inflamação de AR em nível de articulação usando apenas imagens RGB capturadas em casa, superando as limitações de dados pequenos e desbalanceados.

• Impacto Clínico: Oferece uma ferramenta viável para triagem remota, permitindo que pacientes decidam quando procurar atendimento médico, reduzindo a carga sobre especialistas e acelerando o diagnóstico.
• Inovação Técnica: A combinação de pré-treinamento auto-supervisionado em dados saudáveis com Focal Loss e uma arquitetura híbrida (Global/Local) estabelece um novo estado da arte para tarefas médicas com dados limitados.
• Limitações Futuras: O método assume que a inflamação gera mudanças visíveis na imagem RGB. Casos extremamente iniciais, onde as mudanças não são visíveis a olho nu, ainda representam um desafio para futuras pesquisas.