Deep Learning-based Assessment of the Relation Between the Third Molar and Mandibular Canal on Panoramic Radiographs using Local, Centralized, and Federated Learning

Este estudo compara a eficácia de abordagens de aprendizado local, centralizado e federado para classificar a relação entre o terceiro molar e o canal mandibular em radiografias panorâmicas, demonstrando que, embora o aprendizado centralizado ofereça o melhor desempenho, o aprendizado federado constitui uma alternativa viável e superior ao aprendizado local para preservar a privacidade dos dados em colaborações multicêntricas.

O essencial

Imagine que você é um dentista e precisa decidir se é seguro extrair um dente do siso (o último dente da boca) de um paciente. O grande perigo é que a raiz desse dente possa estar muito perto de um "túnel" de nervos no seu maxilar. Se o dentista errar, pode machucar o nervo, causando dormência ou dor permanente.

Para ver isso, os dentistas usam um raio-x panorâmico (aquele que mostra toda a boca de uma vez). Mas, às vezes, o raio-x é um pouco confuso e não dá para ter certeza. Nesse caso, o paciente teria que fazer um exame mais caro e complexo (um tomógrafo 3D).

O objetivo deste estudo foi criar um robô inteligente (Inteligência Artificial) que olhe para o raio-x e diga: "Ei, o dente está perto do nervo? Sim ou não?". Isso ajudaria a triar os casos: se o robô disser que está seguro, o dentista pode fazer a extração normal. Se disser que é arriscado, aí sim o paciente faz o exame 3D.

O problema é que para treinar esse robô, é preciso mostrar a ele milhares de raio-x. Mas, por questões de privacidade, os hospitais não podem simplesmente enviar as fotos dos pacientes para um único computador central. É como se cada dentista tivesse um cofre com fotos que não pode abrir para ninguém.

Então, os pesquisadores testaram três formas diferentes de ensinar esse robô, usando uma analogia de estudantes se preparando para uma prova:

1. Aprendizado Local (O Estudante Solitário)

Imagine que cada um dos 8 dentistas (ou "clientes") pega seus próprios arquivos de raio-x e treina seu próprio robô, sozinho, em seu computador.

• O que aconteceu: Cada robô ficou muito bom em reconhecer os casos do seu próprio dentista. Mas, quando você pegou o robô do dentista A e o fez olhar para os raio-x do dentista B, ele falhou miseravelmente.
• A lição: É como um aluno que decora as respostas de um livro específico, mas não sabe resolver problemas de outro livro. Ele é especialista no "sotaque" local, mas não entende o mundo todo.

2. Aprendizado Centralizado (A Turma na Sala de Aula)

Neste cenário, todos os dentistas juntam todas as fotos em uma única sala (um servidor central) e treinam um único robô gigante com todos os dados misturados.

• O que aconteceu: Este foi o campeão. O robô viu de tudo um pouco: diferentes tipos de máquinas de raio-x, diferentes pacientes, diferentes estilos de desenho dos dentistas. Ele ficou muito esperto e acertou a maioria dos casos, mesmo quando olhava para fotos de dentistas que nunca viu antes.
• O problema: Na vida real, os dentistas não podem (ou não querem) enviar as fotos para um lugar central por causa da privacidade.

3. Aprendizado Federado (A Reunião de Professores à Distância)

Aqui está a mágica da tecnologia moderna. Os dentistas não enviam as fotos. Eles treinam seus robôs locais e, em vez de enviar as fotos, enviam apenas as "lições aprendidas" (atualizações matemáticas) para um servidor central. O servidor junta todas as lições, cria um "super-robô" e manda de volta para todos.

• O que aconteceu: O robô federado ficou no meio do caminho. Ele não foi tão perfeito quanto o robô centralizado (que viu tudo de uma vez), mas foi muito melhor do que os robôs solitários.
• A vantagem: Ninguém precisou abrir o cofre com as fotos. A privacidade foi mantida, mas o robô aprendeu com a experiência de todos.

O Veredito Final (Simples e Direto)

• O Robô Centralizado (CL) é o melhor em termos de precisão. Se você pudesse juntar todos os dados, seria a escolha ideal.
• O Robô Federado (FL) é o "herói da privacidade". Ele é a melhor opção quando não podemos juntar os dados. Ele é bom o suficiente para ajudar na triagem e evita que o robô solitário (que é muito ruim fora da sua própria "bolha") cause erros.
• O Robô Local (LL) é perigoso para uso geral. Ele funciona bem apenas no local onde foi treinado, mas falha feio quando tenta ajudar em outro lugar.

Uma Analogia Adicional: O Chefe de Cozinha

Pense nos raio-x como ingredientes de uma receita.

• Aprendizado Local: É como um chef que só cozinha com ingredientes que ele mesmo cultivou no quintal dele. Se você der a ele um ingrediente de outro lugar, ele não sabe usar.
• Aprendizado Centralizado: É como um chef que tem acesso a um mercado gigante com ingredientes de todo o mundo. Ele sabe cozinhar qualquer coisa.
• Aprendizado Federado: É como uma rede de chefs que não podem sair de suas cozinhas. Eles trocam apenas "receitas" (dicas de como temperar), sem trocar os ingredientes. No final, todos ficam mais habilidosos, mesmo sem nunca terem visto os ingredientes uns dos outros.

Conclusão do Estudo:
Para salvar nervos e evitar exames desnecessários, a Inteligência Artificial é uma grande aliada. Embora o método centralizado seja o mais preciso, o método Federado é a solução prática e segura para o futuro, permitindo que hospitais de todo o mundo colaborem sem violar a privacidade dos pacientes.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo em português:

Título: Avaliação Baseada em Deep Learning da Relação entre o Terceiro Molar e o Canal Mandibular em Radiografias Panoramáticas usando Aprendizado Local, Centralizado e Federado

1. Problema e Motivação

A inclusão do terceiro molar mandibular em proximidade ao canal mandibular é um cenário clínico comum (prevalência de 36,9% de terceiros molares impactados, com 38-60% em contato ou proximidade ao canal). Essa relação aumenta significativamente o risco de lesão do nervo alveolar inferior durante a extração.

• Desafio Clínico: A radiografia panorâmica (PR) é o método de imagem inicial padrão devido ao baixo custo e dose de radiação, mas a avaliação da relação raiz-canal (3M-MC) é subjetiva e difícil. A Tomografia Computadorizada de Feixe Cônico (CBCT) oferece detalhes 3D, mas seu uso indiscriminado deve ser evitado.
• Desafio Técnico (IA): O desenvolvimento de modelos de Inteligência Artificial (IA) robustos é limitado pela dificuldade de reunir grandes conjuntos de dados multicêntricos devido a restrições de privacidade, governança e logística. Além disso, a heterogeneidade dos dados (distribuição não-IID) e a variabilidade na anotação entre diferentes profissionais (labelers) degradam o desempenho dos modelos.

2. Metodologia

O estudo comparou três paradigmas de aprendizado de máquina para a classificação binária (sobreposição vs. não sobreposição) de terceiros molares em radiografias panorâmicas recortadas.

• Dados:
  • Conjunto de dados composto por 5 fontes públicas (ADLD, Dentex, TSXK, Tufts, USPFORP).
  • Particionamento: Os dados foram divididos entre 8 "clientes" independentes, onde cada cliente corresponde a um dentista especialista (com média de 7 anos de experiência) que anotou um subconjunto específico de imagens. Isso simula um cenário real de heterogeneidade de dados e viés de anotação.
  • Tarefa: Classificação binária (Sobreposição/Não-Sobreposição) baseada na relação raiz-canal.
• Modelo:
  • Arquitetura: ResNet-34 pré-treinada no ImageNet.
  • Pré-processamento: Equalização de Histograma Adaptativa Limitada por Contraste (CLAHE), redimensionamento para 224x224 e normalização.
  • Tratamento de Desequilíbrio: Oversampling da classe minoritária com aumento de dados (rotação, espelhamento, jitter de cor, etc.).
• Paradigmas Comparados:
  1. Aprendizado Local (LL): 8 modelos independentes, treinados apenas com os dados de cada cliente.
  2. Aprendizado Centralizado (CL): Um único modelo treinado com todos os dados agrupados (pooled).
  3. Aprendizado Federado (FL): Treinamento colaborativo onde os dados permanecem locais e apenas os pesos do modelo são agregados no servidor usando o protocolo FedAvg (5 rodadas de 2 épocas cada).
• Avaliação:
  • Métricas: AUC, Acurácia, Sensibilidade, Especificidade, F1-Score e Youden's J.
  • Cenários de Teste: Validação local (otimização de limiar por cliente) e Teste Centralizado (limiar global único).
  • Análise de Explicabilidade: Grad-CAM para visualizar as regiões de atenção do modelo.

3. Contribuições Principais

• Comparação Empírica Direta: Primeiro estudo a comparar sistematicamente LL, CL e FL em um cenário realista de radiografia dental, utilizando a partição por anotador como proxy para heterogeneidade de clientes.
• Análise de Heterogeneidade e Viés: Demonstração de como a variabilidade na anotação (acordo inter-observador) e o desequilíbrio de classes afetam diferentemente cada paradigma.
• Métricas de Desempenho Realista: Avaliação não apenas da acurácia local, mas da capacidade de generalização cruzada (cross-domain) e calibração de limiares de decisão.
• Monitoramento do Servidor: Discussão sobre o uso de sinais não sensíveis (como trajetórias de perda e magnitude de atualizações) para detectar clientes atípicos ou com viés de anotação em ambientes federados sem violar a privacidade.

4. Resultados

• Desempenho no Teste Centralizado (Generalização Global):
  • Aprendizado Centralizado (CL): Obteve o melhor desempenho global (AUC = 0,831; Acurácia ≈ 0,782).
  • Aprendizado Federado (FL): Desempenho intermediário (AUC = 0,757; Acurácia ≈ 0,703). Superou consistentemente o aprendizado local, mas ficou abaixo do centralizado.
  • Aprendizado Local (LL): Generalização pobre. Os modelos variaram de AUC 0,619 a 0,734 (média ≈ 0,672). Quando avaliados com um limiar global, os modelos locais falharam drasticamente devido à má calibração das probabilidades (distribuição de scores não alinhada).
• Dinâmica de Treinamento:
  • Curvas de perda indicaram overfitting, especialmente nos modelos locais, onde a perda de validação aumentou enquanto a perda de treinamento caía.
  • O FL apresentou flutuações na perda de validação após cada rodada de agregação, típico de cenários não-IID.
• Explicabilidade (Grad-CAM):
  • Modelos CL e FL mostraram ativações focadas e consistentes nas regiões anatômicas relevantes (terceiro molar e canal mandibular).
  • Modelos LL exibiram ativações mais difusas e inconsistentes, sugerindo que aprendiam padrões superficiais ou artefatos específicos do local de origem.
• Significância Estatística:
  • O CL foi estatisticamente superior ao FL e a todos os modelos LL no teste centralizado.
  • O FL foi superior à maioria dos modelos LL, mas a diferença entre FL e LL não foi sempre estatisticamente significativa em todas as comparações locais.

5. Significado e Conclusões

O estudo conclui que:

1. Viabilidade: A classificação automática da relação 3M-MC é viável, mas sensível à qualidade dos dados e à heterogeneidade.
2. Trade-off Privacidade vs. Desempenho: O Aprendizado Centralizado oferece o melhor desempenho, mas exige compartilhamento de dados. O Aprendizado Federado oferece uma alternativa viável e privada que supera significativamente o treinamento isolado (Local), servindo como um "meio-termo" robusto.
3. Risco do Aprendizado Local: Modelos treinados apenas localmente, embora possam ter boa acurácia interna, falham em generalizar para outros centros e sofrem de problemas graves de calibração, tornando-os inadequados para regras de decisão clínicas padronizadas.
4. Recomendações Práticas: Para implementação clínica, recomenda-se o uso de estratégias federadas que levem em conta a heterogeneidade (ex: FedProx, camadas de personalização), calibração explícita de probabilidades e monitoramento do servidor para detectar viés de anotação ou dados atípicos sem acessar os dados brutos.

Em suma, o trabalho valida o Aprendizado Federado como uma ferramenta promissora para colaboração multicêntrica em radiologia dental, superando as limitações do aprendizado local, embora ainda não alcance o desempenho máximo do aprendizado centralizado devido aos desafios de heterogeneidade de dados e anotação.