HyperCT: Low-Rank Hypernet for Unified Chest CT Analysis

Resumo Técnico: HyperCT

1. Problema e Motivação

As Tomografias Computadorizadas (TC) de tórax sem contraste são uma modalidade fundamental na radiologia moderna, amplamente utilizadas para o rastreio de doenças pulmonares (como nódulos e enfisema). No entanto, esses exames capturam uma rica informação anatômica extra-pulmonar, incluindo o coração, grandes vasos e órgãos abdominais superiores. Isso abriu caminho para o paradigma do rastreio oportunista, onde um único exame é reutilizado para detectar condições fora do pulmão (ex.: avaliação cardíaca estrutural e funcional).

O desafio atual reside na fragmentação:

• Os modelos existentes são geralmente treinados de forma isolada para tarefas convencionais (pulmonares) ou para um único alvo oportunista.
• Abordagens de Aprendizado Multitarefa (MTL) padrão, que compartilham parâmetros fixos ("hard-parameter sharing"), muitas vezes falham em lidar com a interferência entre tarefas.
• A premissa comum de que tarefas médicas competem entre si é questionada; na realidade, muitas condições são sinérgicas e comórbidas (ex.: aumento cardíaco frequentemente co-ocorre com congestão pulmonar). O objetivo não é apenas balancear tarefas conflitantes, mas aprender explicitamente as relações sinérgicas entre domínios clínicos diversos.

2. Metodologia: HyperCT

O HyperCT é um novo framework que unifica o rastreio convencional e oportunista de TC de tórax através de uma arquitetura dinâmica baseada em Hypernetworks (Redes Hiper) integradas com Low-Rank Adaptation (LoRA).

• Arquitetura Base: O modelo utiliza um backbone pré-treinado do tipo Vision Transformer (ViT), especificamente o DINOv3, que é mantido congelado durante o treinamento.
• Hypernetwork Dinâmica: Em vez de compartilhar pesos fixos, o HyperCT emprega uma hypernetwork ($h_\phi$) que recebe como entrada um embedding de tarefa ($e_k$) e gera os parâmetros específicos para aquela tarefa. Isso permite que o modelo se adapte dinamicamente a cada objetivo clínico.
• Integração com LoRA: Para tornar a geração de pesos viável computacionalmente em arquiteturas grandes como ViTs, o método não gera matrizes de pesos completas. Em vez disso, a hypernetwork regressa atualizações de baixo rank ($\Delta W$) para cada módulo do modelo base.
  • Matematicamente, os pesos adaptados são: $\theta_k = W_{base} + \alpha \cdot B_k A_k$, onde $B_k$ e $A_k$ são matrizes de baixo rank geradas pela hypernetwork.
  • Isso reduz drasticamente a complexidade paramétrica da hypernetwork (de $O(D^2)$ para $O(D)$), mantendo a capacidade expressiva necessária.
• Mecanismo de Entrada: A hypernetwork utiliza também um indicador de módulo ($\phi_{pos}$) concatenado ao embedding da tarefa, permitindo que ela gere pesos específicos para diferentes camadas da rede (atenção e MLP) dentro do ViT.

3. Contribuições Principais

1. Primeiro Framework Unificado: Apresenta a primeira solução unificada para o rastreio conjunto de 18 tarefas pulmonares convencionais e 7 tarefas cardiovasculares oportunistas em TC de tórax.
2. Escalabilidade via LoRA: Integra LoRA ao design de hypernetworks, superando as limitações de escalabilidade que anteriormente restringiam o uso de hypernetworks a arquiteturas pequenas ou adaptadores simples. Isso viabiliza o uso em modelos fundacionais grandes (ViTs).
3. Validação Rigorosa: Oferece validação abrangente em coortes retrospectivas, prospectivas e multi-institucionais, demonstrando superioridade sobre bases de referência de MTL e desempenho comparável a modelos de tarefa única (Single-Task Learning - STL).

4. Resultados Experimentais

O modelo foi avaliado em um conjunto de dados grande escala de 36.286 exames de TC de tórax sem contraste, provenientes de duas instituições (Columbia University e Weill Cornell Medicine), divididos em coortes retrospectivas e prospectivas.

• Desempenho Geral: O HyperCT superou consistentemente várias estratégias de MTL (como Equal Weighting, Uncertainty Weighting, MGDA) e alcançou desempenho comparável aos modelos de tarefa única (STL), mas com um único conjunto de parâmetros treinados.
  • Coorte Retrospectiva (CU): Média de AUC de 78,1% (vs. 76,0% do MGDA).
  • Coorte Prospectiva (Generalização): Média de AUC de 77,8% (CU) e 78,6% (WCM). Notavelmente, o HyperCT superou os modelos STL em cenários prospectivos, sugerindo que a arquitetura multitarefa aprende representações mais robustas a mudanças de distribuição.
• Análise de Utilidade Clínica (DCA): A Análise de Curva de Decisão (Decision Curve Analysis) demonstrou que o HyperCT oferece um benefício líquido positivo em faixas de limiar clinicamente relevantes (5-80%) para todas as 7 tarefas cardíacas, validando sua utilidade para triagem e encaminhamento seletivo.
• Análise de Componentes Principais (PCA) e Clustering: A visualização dos pesos LoRA gerados mostrou uma separação semântica clara entre tarefas cardíacas (oportunistas) e pulmonares (convencionais), indicando que a rede aprende a alocar subespaços paramétricos distintos para diferentes requisitos de extração de características.
• Mapas de Saliência: Os mapas de Grad-CAM confirmaram que o modelo foca nas regiões anatômicas corretas (silhueta cardíaca para tarefas cardíacas, parênquima pulmonar para tarefas pulmonares).

5. Significado e Conclusão

O HyperCT representa um avanço significativo na inteligência artificial para radiologia ao demonstrar que é possível criar um modelo unificado e eficiente em parâmetros para a avaliação holística do paciente. Ao combinar a flexibilidade das hypernetworks com a eficiência do LoRA, o trabalho resolve o dilema entre a necessidade de modelos especializados e a eficiência computacional.

O estudo sugere que a abordagem de "rastreio oportunista" unificada não apenas economiza recursos computacionais (evitando o treinamento de múltiplos modelos STL), mas também melhora a generalização em cenários do mundo real, capturando sinergias entre condições clínicas que modelos isolados ou MTLs tradicionais falham em explorar. O código e os dados estão disponíveis publicamente, facilitando a adoção e o desenvolvimento futuro de ferramentas de diagnóstico integradas.