Cross-Modal Knowledge Distillation for PET-Free Amyloid-Beta Detection from MRI

Resumo Técnico: Detecção de Beta-Amyloid sem PET via Distilação de Conhecimento Cross-Modal

1. O Problema

O diagnóstico precoce da Doença de Alzheimer (DA) depende crucialmente da detecção da positividade da proteína beta-amiloide (Aβ). Atualmente, o padrão-ouro para essa detecção é a Tomografia por Emissão de Pósitrons (PET) com traçadores amiloides. No entanto, o PET apresenta barreiras significativas para a triagem em larga escala:

• Custo e Acessibilidade: É um exame caro e não amplamente disponível.
• Invasividade: Envolve radiação ionizante e injeção de traçadores.
• Limitações de Dados Clínicos: Métodos existentes que tentam prever Aβ apenas com Ressonância Magnética (MRI) frequentemente dependem de covariáveis clínicas não-imagem (como genótipo APOE, escores cognitivos ou volumetria do hipocampo), que possuem alta taxa de dados ausentes em prontuários eletrônicos reais.

O objetivo deste trabalho é preencher essa lacuna desenvolvendo um modelo capaz de prever o status de Aβ apenas a partir de imagens de MRI, sem a necessidade de dados clínicos adicionais ou de imagens PET durante a inferência.

2. Metodologia

Os autores propõem um framework de distilação de conhecimento guiado por PET em três fases, utilizando o modelo pré-treinado BiomedCLIP (baseado em Vision Transformer - ViT) como base.

Arquitetura Geral:

• Professor (Teacher): Um modelo multimodal que recebe tanto MRI quanto PET. Ele aprende a alinhar as representações espaciais do PET (que contém a informação direta da patologia) com o MRI.
• Aluno (Student): Um modelo unimodal que recebe apenas MRI. Seu objetivo é imitar o comportamento do professor, aprendendo a inferir o status de Aβ sem ver o PET.

Fases de Treinamento:

1. Fase 1: Pré-treinamento do Professor

   • O professor é pré-treinado para classificação binária (Aβ+ vs Aβ-) usando embeddings cruzados de PET e MRI.
   • Utiliza uma camada de atenção cruzada (Cross-Attention) onde o PET atua como Query e o MRI como Key/Value.
   • Otimizado com perda de Entropia Cruzada Binária (BCE).

2. Fase 2: Refinamento Contrastivo do Professor

   • O professor é refinado usando aprendizado de métrica (Triplet Loss) com mineração de negativos conscientes de Centiloid (CL).
   • Centiloid (CL): Uma escala padronizada para quantificação de amiloide.
   • Estratégia de Triplets:
     • Âncora: Paciente com PET+ e MRI.
     • Positivo: Mesma sessão/paciente (consistência intra-sessão).
     • Negativo: Paciente diferente, selecionado online para garantir uma diferença bioquímica significativa (|CL_âncora - CL_negativo| ≥ 5.0). Isso força o modelo a aprender diferenças sutis e biologicamente distintas, evitando negativos "fáceis".
   • A perda combina Triplet Loss, BCE e regularização.

3. Fase 3: Distilação de Conhecimento (Teacher-to-Student)

   • O aluno (MRI-only) é treinado para imitar o professor congelado.
   • Distilação de Features: Alinhamento dos embeddings do aluno com os do professor via distância L2 normalizada.
   • Distilação de Logits: Transferência da "suavidade" das previsões do professor (usando temperatura T) para o aluno, permitindo que o aluno aprenda incertezas e limites de decisão mais refinados.
   • Perda Total: Combinação ponderada de Perda de Classificação (MarginFocal Loss), Perda de Features e Perda de Logits.

Detalhes Técnicos Adicionais:

• Modelo Base: BiomedCLIP ViT com adaptação LoRA (Low-Rank Adaptation) nas camadas finais (6-11) para fine-tuning eficiente.
• Processamento: Extração de fatias sagitais (25 fatias por sujeito) de sequências T1w, T2w, FLAIR e T2*.
• Dados: Utilização dos conjuntos OASIS-3 e ADNI, com registro rígido e normalização de intensidade.

3. Contribuições Principais

1. Framework de Distilação PET-to-MRI: Primeira abordagem conhecida a utilizar um professor multimodal (PET+MRI) para treinar um aluno puramente de MRI para detecção de amiloide, eliminando a necessidade de covariáveis clínicas na inferência.
2. Mineração de Negativos Consciente de Centiloid: Uma adaptação inovadora da Triplet Loss que utiliza valores quantitativos de PET (Centiloid) para garantir que os exemplos negativos sejam bioquimicamente distintos, melhorando a separabilidade do modelo.
3. Avaliação Multi-Contraste e Cross-Dataset: Avaliação robusta em quatro contrastes de MRI (T1w, T2w, FLAIR, T2*) e dois conjuntos de dados independentes, demonstrando a capacidade de transferência de conhecimento entre datasets (CDKD).
4. Interpretabilidade: Uso de mapas de saliência (HiResCAM) para validar que o modelo foca em regiões corticais anatomicamente relevantes, aumentando a confiança clínica.

4. Resultados

O modelo foi avaliado nos datasets OASIS-3 e ADNI, comparando-se com métodos anteriores que usavam apenas MRI.

• Desempenho (OASIS-3):
  • O melhor resultado foi obtido com a fusão de T1w e T2w para inferência em T1w, alcançando um AUC de 0.74.
  • Comparado ao estado da arte anterior (Kim et al., 2025) que usava apenas T1w (AUC 0.61), houve uma melhoria de +19.7%.
  • O modelo alcançou um F1-score de 0.59 e uma NPV (Valor Preditivo Negativo) de 0.81 no OASIS-3.
• Desempenho (ADNI):
  • AUC de 0.66 para T1w, demonstrando generalização entre datasets.
• Transferência Cross-Dataset (CDKD):
  • Professores treinados em ADNI conseguiram distilar conhecimento eficazmente para alunos no OASIS-3 (AUC ~0.73) e vice-versa, validando a robustez do método.
• Ablação:
  • A remoção da mineração de negativos baseada em Centiloid reduziu o F1 em 0.08.
  • A remoção da distilação de features causou a maior queda de desempenho, confirmando que o alinhamento espacial PET-MRI é crítico.

5. Significado e Impacto

Este trabalho oferece um caminho promissor para a triagem escalável e custo-efetiva da Doença de Alzheimer.

• Viabilidade Clínica: Ao eliminar a necessidade de PET e dados genéticos/cognitivos complexos, o modelo pode ser integrado em fluxos de trabalho de rotina de MRI, que são amplamente disponíveis e não invasivos.
• Acesso Democratizado: Permite que centros médicos sem acesso a equipamentos de PET ou a testes genéticos completos possam realizar triagem de risco de amiloide.
• Validação Biológica: A análise de saliência confirma que o modelo não está aprendendo artefatos, mas sim padrões anatômicos relacionados à atrofia cerebral associada ao acúmulo de amiloide.

Em resumo, a técnica transforma o MRI, uma modalidade estrutural, em um proxy eficaz para a detecção metabólica de amiloide, superando as limitações de métodos puramente baseados em MRI e a barreira de acesso do PET.