Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification

1. O Problema

O artigo aborda o desafio da mudança de domínio (domain shift) na análise de imagens médicas, especificamente em tarefas de classificação de gravidade (ex: estadiamento de doenças como colite ulcerativa e retinopatia diabética).

• Desafio Principal: Modelos treinados em dados de um hospital (domínio fonte) frequentemente falham em dados de outro hospital (domínio alvo) devido a variações em equipamentos, protocolos e condições de imagem.
• Limitação das Métodos Atuais: A maioria das técnicas de Adaptação de Domínio Semi-Supervisionada (SSDA) assume que as classes formam clusters distintos no espaço de características. No entanto, na classificação de gravidade, as classes são ordenadas e contínuas (ex: leve, moderado, grave), resultando em fronteiras de classe ambíguas e sobrepostas.
• Consequência: Aplicar métodos tradicionais de SSDA a esses dados gera resultados subótimos, pois eles falham em capturar a natureza ordinal e contínua da progressão da doença, levando a distribuições de características desalinhadas.

2. Metodologia Proposta

Os autores propõem uma nova abordagem que utiliza pontuações de classificação (rank scores) aprendidas via Learning to Rank para alinhar os domínios fonte e alvo, tratando a gravidade como uma progressão contínua em vez de categorias discretas.

O método é composto por dois componentes principais:

A. Classificação Cruzada entre Domínios (Cross-Domain Ranking - CDR)

• Objetivo: Garantir que as pontuações de classificação sejam consistentes entre os domínios fonte e alvo.
• Mecanismo: Em vez de aprender a ordenação apenas dentro de um único domínio, o CDR treina pares de amostras misturando dados rotulados do domínio fonte e do domínio alvo.
• Função de Perda: Utiliza uma perda de classificação em pares que força amostras com rótulos de gravidade maior a receberem pontuações de classificação (rank scores) mais altas do que aquelas com gravidade menor, independentemente do domínio de origem. Isso estabelece uma escala de gravidade comum.

B. Alinhamento de Distribuição Contínua (Continuous Distribution Alignment - CDA)

• Objetivo: Alinhar as distribuições de pontuações de classificação entre os domínios, aproveitando a continuidade das classes.
• Mecanismo:
  • Para amostras não rotuladas do domínio alvo, o método estima rótulos "soft" (suaves) baseados em pontuações de classificação, utilizando uma distribuição de probabilidade (GMM) em vez de atribuir um rótulo de classe rígido (hard pseudo-label).
  • O método minimiza a distância entre a pontuação de classificação de cada amostra alvo e a média das pontuações de classificação das classes correspondentes no domínio fonte (protótipos de classe).
• Vantagem: Isso permite que o modelo alinhe a distribuição contínua da gravidade, mitigando o problema das fronteiras de classe ambíguas.

Arquitetura da Rede

O modelo utiliza um extrator de características ($F_e$) que se ramifica para:

1. Um classificador ($F_c$) para prever a probabilidade da classe.
2. Uma função de classificação ($F_r$) para gerar a pontuação de ranking contínua.
   O treinamento ocorre em duas etapas: otimização inicial com dados fonte (perda de classificação e perda de ranking) e otimização final com dados de ambos os domínios (CDR e CDA).

3. Contribuições Chave

1. Framework SSDA Guiado por Ranking: Propõe uma estrutura inovadora para classificação de gravidade que utiliza rótulos de classe ordenados para alinhar domínios, resolvendo o problema de fronteiras de classe ambíguas.
2. Novas Técnicas de Adaptação:
   • CDR: Uma abordagem inédita para SSDA que aprende rankings a partir de pares de amostras cruzando domínios.
   • CDA: Uma função de perda simples e eficaz que utiliza rótulos suaves baseados em ranking para alinhar distribuições contínuas.
3. Validação em Cenários Reais: Demonstração prática de que tratar a gravidade como uma progressão contínua (via pontuações de ranking) é superior ao tratamento como classes discretas em cenários médicos.

4. Resultados Experimentais

Os métodos foram testados em duas tarefas de classificação de gravidade:

• Colite Ulcerativa (UC): Classificação de imagens endoscópicas (LIMUC vs. Dados Privados).
• Retinopatia Diabética (DR): Classificação de imagens de fundo de olho (DDR vs. FGADR).

Principais Achados:

• Desempenho Superior: O método proposto superou seis métodos comparativos (incluindo SSDA e UDA tradicionais) nas métricas de Precisão Média (mP) e F1 Média (mF1), que são críticas devido ao desequilíbrio de classes.
• Estudo de Ablação:
  • O CDR contribuiu significativamente para melhorar a precisão (mP), ao garantir que a ordem relativa fosse mantida entre domínios.
  • O CDA melhorou o recall (mR), ao alinhar a distribuição geral dos dados.
  • A combinação de ambos produziu os melhores resultados, indicando que as técnicas são complementares.
• Visualização: Gráficos de distribuição de pontuações de ranking mostraram que, após a adaptação, as distribuições dos domínios fonte e alvo se alinharam perfeitamente para cada nível de gravidade, algo que não ocorria no modelo pré-treinado.

5. Significado e Conclusão

Este trabalho é significativo porque oferece uma solução robusta para um problema persistente na inteligência artificial médica: a adaptação de modelos para novos hospitais quando a doença é medida em escalas contínuas.

• Inovação Conceitual: Ao mudar o foco da "classificação discreta" para o "alinhamento de distribuição de ranking contínuo", o método supera as limitações de métodos que assumem clusters de classes perfeitamente separáveis.
• Aplicabilidade Clínica: A capacidade de utilizar poucos dados rotulados do novo hospital (alvo) e muitos dados não rotulados, enquanto se mantém a consistência na interpretação da gravidade da doença, torna esta técnica altamente promissora para a construção de sistemas de suporte à decisão diagnóstica escaláveis e generalizáveis.

Em resumo, a proposta demonstra que incorporar a estrutura ordinal da gravidade da doença diretamente no processo de adaptação de domínio é essencial para obter modelos de IA precisos e confiáveis em cenários médicos reais.