Adaptation of Weakly Supervised Localization in Histopathology by Debiasing Predictions

1. O Problema

O artigo aborda os desafios enfrentados pelos modelos de Localização de Objetos Fracamente Supervisionada (WSOL) quando aplicados em histopatologia digital.

• Contexto: Os modelos WSOL permitem realizar diagnóstico e localização de regiões de interesse (ROIs) usando apenas rótulos de nível de imagem (ex: "câncer" ou "normal"), evitando a necessidade de anotações pixel a pixel, que são caras e exigem patologistas especialistas.
• Desafio Principal: A degradação de desempenho devido a deslocamentos de domínio (domain shifts). Em histopatologia, isso ocorre frequentemente ao transferir modelos entre diferentes órgãos, instituições, protocolos de coloração ou scanners.
• O Fenômeno Crítico: Sob deslocamentos de domínio severos (ex: cruzamento entre órgãos), os modelos WSOL tendem a desenvolver um viés de previsão forte em direção às classes dominantes (geralmente a classe de câncer).
  • Isso cria distribuições de pseudo-rótulos altamente desbalanceadas no domínio alvo.
  • Métodos de Adaptação de Domínio Livre de Fonte (SFDA) tradicionais, que dependem de auto-treinamento (self-training) e pseudo-rótulos, acabam reforçando esse viés inicial em vez de corrigi-lo. O modelo entra em um ciclo vicioso onde as previsões enviesadas geram pseudo-rótulos enviesados, degradando tanto a classificação quanto a localização.

2. Metodologia Proposta: SFDA-DeP

Os autores propõem o SFDA-DeP (Source-Free Domain Adaptation with Debiasing Predictions), um método inspirado no conceito de "Machine Unlearning" (Esquecimento de Máquina). A ideia central é tratar a adaptação como um processo iterativo de identificar e corrigir previsões enviesadas, em vez de apenas reforçá-las.

A metodologia é composta por três componentes principais:

A. Mecanismo de "Esquecimento" e Retenção (Debiasing)

O método divide as amostras do domínio alvo em dois conjuntos dinâmicos baseados na incerteza da previsão (entropia normalizada) e na dominância da classe:

1. Conjunto de Esquecimento ($B_f$): Contém as amostras das classes dominantes que possuem alta incerteza (estão próximas às fronteiras de decisão).
   • Ação: O modelo é penalizado por prever a classe dominante para estas amostras. O objetivo é "esquecer" a atribuição enviesada e forçar o modelo a explorar outras classes, redefinindo as fronteiras de decisão.
   • Função de Perda ($L_{forget}$): Maximiza a entropia ou minimiza a confiança na classe prevista para estas amostras.
2. Conjunto de Retenção ($B_r$): Contém as amostras com previsões confiantes e estáveis.
   • Ação: O modelo é treinado para manter essas previsões, garantindo que informações confiáveis não sejam perdidas.
   • Função de Perda ($L_{retain}$): Perda de entropia cruzada padrão para manter a consistência.

• Iteratividade: Os conjuntos $B_f$ e $B_r$ são reavaliados periodicamente (a cada $m$ épocas) para evitar o sobreajuste a pseudo-rótulos incorretos e acompanhar a mudança nas fronteiras de decisão.

B. Supervisão de Localização em Nível de Pixel

Para garantir que a adaptação não degrade a capacidade de localizar o tumor (especialmente difícil devido a diferenças visuais entre domínios):

• Um cabeçalho leve de classificador de pixel é otimizado conjuntamente.
• Utiliza Mapas de Ativação de Classe (CAMs) do modelo fonte para gerar pseudo-rótulos parciais de foreground (tumor) e background.
• Uma perda de entropia cruzada binária ($L_{loc}$) é aplicada para separar o tumor do fundo, ancorando a representação espacial durante a adaptação.

C. Função de Perda Total

A otimização conjunta minimiza:
$$L = \lambda_{retain}L_{retain} + \lambda_{forget}L_{forget} + \lambda_{loc}L_{loc}$$
Onde os pesos ($\lambda$) equilibram a retenção de conhecimento confiável, a correção do viés e a precisão da localização.

3. Contribuições Principais

1. Identificação do Viés de Amplificação: O trabalho identifica e demonstra empiricamente que os métodos SFDA tradicionais falham em histopatologia porque reforçam o viés de classes dominantes sob deslocamentos severos, em vez de corrigi-los.
2. SFDA-DeP: Introdução de uma nova abordagem que utiliza princípios de "Machine Unlearning" para atenuar seletivamente a confiança em previsões enviesadas de classes dominantes, permitindo que classes minoritárias sejam recuperadas.
3. Otimização Conjunta de Localização: Integração de um cabeçalho de pixel-level supervisionado por CAMs para restaurar características discriminativas de localização que seriam perdidas durante a adaptação de domínio.
4. Validação Abrangente: Demonstração de que o método funciona consistentemente em diferentes arquiteturas (CNNs e Transformers) e cenários de deslocamento (entre órgãos e entre centros).

4. Resultados Experimentais

Os experimentos foram realizados em benchmarks públicos de histopatologia: GlaS (cólon), CAMELYON16 e CAMELYON17 (linfonodos mamários).

• Desempenho Geral: O SFDA-DeP superou consistentemente os métodos state-of-the-art (SFDA-DE, CDCL, ERL, RGV) em tarefas de classificação e localização.
• Ganhos Significativos:
  • No modelo PixelCAM, o método alcançou uma média de 44.1 PxAP (Precisão de Localização) e 67.1 CL (Classificação), superando o SFDA-DE em +16.1 pontos de PxAP e +12.5 pontos de CL.
  • Em cenários críticos (ex: CAMELYON17-0), onde outras bases ficavam estagnadas em ~50% de acurácia de classificação devido ao viés, o SFDA-DeP atingiu 86.2%.
  • No modelo DeepMIL, houve ganhos de +20.2 PxAP e +19.5 CL em relação ao SFDA-DE.
• Análise Qualitativa: Os mapas de ativação (CAMs) gerados pelo SFDA-DeP mostraram ativações mais coerentes focadas no tecido tumoral, com menos ruído em regiões de fundo, comparado às bases que tendiam a destacar áreas espúrias sob deslocamento de domínio.

5. Significado e Impacto

Este trabalho é significativo para a aplicação clínica de IA em patologia por várias razões:

• Viabilidade de Implantação: Oferece uma solução prática para adaptar modelos treinados em um centro hospitalar para outro sem necessidade de reanotação de dados (que é proibitiva em termos de custo e tempo).
• Confiabilidade Clínica: Ao mitigar o viés de previsão, o método aumenta a confiança no diagnóstico automatizado, evitando que o modelo ignore casos raros ou de outros órgãos apenas porque o treinamento foi feito em um domínio diferente.
• Interpretabilidade: A melhoria na localização (segmentação do tumor) é crucial para a aceitação clínica, pois permite que os patologistas verifiquem onde o modelo está focando, garantindo que a decisão não seja baseada em artefatos de coloração ou ruído.

Em resumo, o SFDA-DeP representa um avanço crucial ao transformar a adaptação de domínio de um processo passivo de reforço de viés para um processo ativo de correção e reequilíbrio, essencial para a robustez de sistemas de IA em ambientes médicos heterogêneos.