Resumo Técnico: FOMO25 Challenge – Modelos Fundamentais para Ressonância Magnética Cerebral na Clínica

1. O Problema

A implementação clínica de modelos de análise automatizada de Ressonância Magnética (MRI) cerebral enfrenta um desafio fundamental: a disparidade entre a abundância de dados brutos heterogêneos e ruidosos gerados nos fluxos de trabalho clínicos e a escassez de rótulos de alta qualidade.

• Assimetria Estrutural: Os fluxos clínicos geram grandes volumes de exames de MRI, mas apenas uma fração mínima é rotulada para treinamento supervisionado, devido ao alto custo e à necessidade de expertise especializada.
• Falha na Generalização: Modelos supervisionados tradicionais, embora performem bem em conjuntos de dados de pesquisa limpos, degradam-se significativamente quando aplicados a dados reais de diferentes instituições, fabricantes, protocolos ou populações de pacientes (desvio de domínio).
• Limitações Atuais: O desenvolvimento de modelos fundamentais (foundation models) para MRI cerebral tem sido limitado por conjuntos de dados de pré-treinamento pequenos (<10k exames) e avaliações focadas em dados de pesquisa de alta qualidade, onde modelos supervisionados já são competitivos, não testando a robustez necessária para a prática clínica.

2. Metodologia: O Desafio FOMO25

Para abordar essas lacunas, os autores organizaram o FOMO25 (Foundation Model Challenge for Brain MRI 2025) como um evento satélite da conferência MICCAI 2025.

2.1. Dados e Tarefas

• Pré-treinamento (FOMO60K): Um conjunto de dados massivo e heterogêneo de 60.529 exames de MRI cerebral estrutural de 11.187 sujeitos, provenientes de 16 fontes públicas (clínicas e de pesquisa), cobrindo diversos fabricantes, campos magnéticos e protocolos.
• Ajuste Fino (Fine-tuning) e Avaliação: Os modelos foram avaliados em cenários de poucos exemplos (few-shot) e fora de domínio (out-of-domain), utilizando dados reais de fluxos clínicos de hospitais na Índia (ajuste fino) e Dinamarca (validação/teste).
• Tarefas:
  1. Classificação de Infarto: Detecção de infarto cerebral (21 casos de ajuste fino).
  2. Segmentação de Meningioma: Delimitação de tumores (23 casos de ajuste fino).
  3. Regressão de Idade Cerebral: Previsão da idade cronológica (200 casos de ajuste fino).

2.2. Tracks (Pistas) do Desafio

O desafio foi dividido em duas pistas para isolar contribuições metodológicas de efeitos de escala de dados:

• Track de Método (Method Track): Os participantes foram restritos a pré-treinar exclusivamente no conjunto FOMO60K.
• Track Aberto (Open Track): Os participantes puderam utilizar qualquer dado de pré-treinamento, incluindo conjuntos privados e proprietários.

2.3. Avaliação

• Pipeline Padronizado: 19 modelos fundamentais de 16 equipes foram avaliados usando um pipeline containerizado seguro.
• Métricas: AUROC (classificação), Dice e NSD (segmentação), e Erro Absoluto Médio (MAE) e Correlação de Pearson (regressão).
• Baselines: Comparação contra modelos supervisionados treinados do zero (do início) tanto nos dados de ajuste fino (Out-of-Domain) quanto em dados de validação in-domain (Supervised-ID).

3. Contribuições Principais e Resultados Chave

Os resultados do FOMO25 fornecem insights cruciais sobre o estado da arte de modelos fundamentais em neuroimagem:

3.1. O Pré-treinamento Auto-supervisionado (SSL) Melhora a Generalização

• Superação de Baselines: Modelos pré-treinados com SSL superaram consistentemente as baselines supervisionadas treinadas nos mesmos dados de ajuste fino (Out-of-Domain).
• Superação de Especialistas: Os melhores modelos pré-treinados (fora de domínio) superaram até mesmo modelos especialistas treinados em dados in-domain (dentro do domínio), demonstrando que o SSL pode criar representações robustas capazes de atravessar grandes lacunas de domínio (ex: entre continentes) com poucos rótulos.

3.2. Não Existe um Objetivo de Pré-treinamento Universal

A eficácia do objetivo de pré-treinamento depende da tarefa de destino:

• Objetivos Locais (ex: MAE - Masked Autoencoders): Tendem a favorecer tarefas de segmentação.
• Objetivos Híbridos (ex: MAE + Aprendizado Contrastivo): Tendem a favorecer tarefas de classificação.
• Regressão: Todos os tipos de objetivos pareceram performar de forma semelhante.
• Conclusão: Não há um único modelo fundamental que seja ótimo para todas as tarefas; a escolha do objetivo de pré-treinamento deve ser alinhada à família de tarefas downstream.

3.3. Escalabilidade e Tamanho do Modelo

• Modelos Pequenos são Competitivos: Modelos menores (ex: ~20M-45M parâmetros) foram altamente competitivos.
• Lei de Escala Fraca: Ao contrário do observado em visão computacional geral, aumentar o tamanho do modelo ou o tempo de pré-treinamento não gerou ganhos confiáveis ou significativos no desempenho downstream. Isso sugere que, para MRI cerebral, a qualidade da representação e a adequação do objetivo podem ser mais importantes do que a escala bruta.

3.4. Arquiteturas e Estratégias

• Dominância de CNNs: Arquiteturas baseadas em Convolução (CNNs) ainda dominam as submissões, com pouca adoção de Transformers 3D ou métodos de auto-distilação 3D.
• Aumentação de Dados: O uso excessivo de aumentações de dados prejudicou tarefas de classificação e regressão, enquanto aumentações espaciais beneficiaram a segmentação.

4. Significado e Implicações

O FOMO25 marca uma mudança de paradigma na avaliação de modelos de IA para medicina:

1. Validação Clínica Realista: O desafio demonstra que a avaliação em benchmarks de pesquisa "limpos" é insuficiente. A verdadeira prova de valor de um modelo fundamental é sua capacidade de generalizar em cenários clínicos ruidosos, heterogêneos e com poucos rótulos.
2. Viabilidade de Implantação: Os resultados indicam que modelos fundamentais auto-supervisionados são uma alternativa viável e robusta aos modelos supervisionados específicos para tarefas em ambientes clínicos reais, reduzindo a dependência de grandes conjuntos de dados rotulados.
3. Direções Futuras: O estudo aponta para a necessidade de desenvolver objetivos de pré-treinamento híbridos que equilibrem informações locais e globais para atender a múltiplas tarefas simultaneamente, e sugere que a comunidade deve focar menos na escala bruta e mais na composição de dados e design de objetivos.

Em suma, o FOMO25 valida que os modelos fundamentais para MRI cerebral deixaram de ser apenas uma promessa de pesquisa e estão se tornando uma alternativa credível para a implantação clínica, especialmente em cenários onde os dados rotulados são escassos e a variabilidade dos dados é alta.