Adaptive Test-Time Scaling for Zero-Shot Respiratory Audio Classification

1. O Problema

A análise automatizada de áudio respiratório promete uma triagem de doenças escalável e não invasiva. No entanto, o progresso é limitado pela escassez de dados rotulados e pelo custo elevado da anotação por especialistas.

• Limitação Atual: Os métodos de inferência zero-shot (sem treinamento específico para a tarefa) existentes aplicam um custo computacional uniforme a todas as entradas, independentemente da dificuldade do caso. Um som de "sibilância" claro e um "estridor" fraco enterrado em ruído recebem o mesmo processamento (uma única passagem de rede neural), o que resulta em subatendimento de casos difíceis e robustez insuficiente.
• Desafio: Ajustar modelos a cada ambiente clínico via fine-tuning é frequentemente inviável devido a barreiras regulatórias, falta de dados rotulados no local e restrições computacionais.

2. Metodologia: TRIAGE

O artigo propõe o TRIAGE (Tiered Retrieval and Inference for Audio with Gated Escalation), um framework de inferência zero-shot em três níveis (tiers) que escala adaptativamente o custo computacional no momento do teste (test-time scaling). O sistema utiliza um codificador áudio-texto congelado (sem atualização de pesos) e modula a complexidade do raciocínio com base na confiança da previsão.

O pipeline funciona da seguinte forma:

• Base Comum: Um codificador áudio-texto congelado (baseado no modelo AcuLa) que mapeia gravações de áudio e descrições textuais para um espaço de embeddings compartilhado.
• Tier-L (Baixo Custo - Rápido):
  • Realiza pontuação por similaridade de cosseno entre o embedding do áudio e os prompts de texto dos rótulos (ex: "sibilância", "normal").
  • Se a margem de confiança entre a melhor e a segunda melhor pontuação for alta, a previsão é finalizada imediatamente.
• Tier-M (Custo Médio - Estruturado):
  • Acionado para casos onde a confiança do Tier-L é baixa.
  • O áudio é comparado com um sistema de descritores clínicos estruturados (ex: timing, localização anatômica, qualidade do som) usando templates de texto aprovados por clínicos.
  • Um agregador baseado em regras converte esses matches em um perfil de atributos interpretável e gera uma nova pontuação de decisão.
• Tier-H (Alto Custo - Raciocínio Avançado):
  • Acionado apenas para os casos mais ambíguos que falharam no Tier-M.
  • Realiza recuperação de vizinhos mais próximos (k-NN) de um corpus externo de pares áudio-relatório médico.
  • Um Modelo de Linguagem Grande (LLM) recebe o áudio, os descritores do Tier-M e os relatórios recuperados para sintetizar uma previsão final fundamentada em evidências.

Política de Roteamento: Um roteador baseado em confiança decide quando parar em cada nível. Isso permite que cerca de metade das amostras (casos fáceis) sejam resolvidas no Tier-L, enquanto casos difíceis recebem mais recursos computacionais.

3. Principais Contribuições

1. Escalabilidade Adaptativa no Momento do Teste para Áudio Médico: Demonstra que aumentar seletivamente o custo de inferência em gravações incertas, sem treinamento específico, melhora substancialmente a classificação zero-shot.
2. Formulação de Inferência Consciente de Custo: Apresenta a classificação de áudio respiratório como um processo de decisão em etapas, onde o custo computacional é um recurso explícito e ajustável, permitindo estudar trade-offs entre eficiência e precisão.
3. Pipeline Interpretável e Clínicamente Fundamentado: O sistema gera saídas legíveis por humanos em cada etapa (pontuações de confiança, perfis de atributos, evidências recuperadas), fornecendo transparência sobre por que um caso foi escalado e como a decisão final foi tomada.

4. Resultados

O TRIAGE foi avaliado em 9 tarefas de classificação de áudio respiratório abrangendo 5 conjuntos de dados públicos (incluindo detecção de COVID-19, COPD, status de tabagismo e gênero).

• Desempenho Geral: No cenário estritamente zero-shot (sem dados rotulados da tarefa alvo), o TRIAGE (Adaptativo) alcançou uma AUROC média de 0,744.
  • Superou significativamente métodos zero-shot anteriores (como CLAP e AcuLa padrão).
  • Em várias tarefas, igualou ou superou baselines supervisionadas que utilizam linear probing (treinamento de um classificador simples sobre embeddings congelados).
• Eficiência e Ganhos Concentrados:
  • 46% das amostras foram resolvidas no Tier-L (custo mínimo) sem perda de precisão.
  • Os maiores ganhos ocorreram nos casos difíceis: para as amostras escaladas até o Tier-H (19% dos casos), houve uma melhoria relativa de até 19% na AUROC em comparação com o Tier-L.
• Ablações:
  • A profundidade de recuperação no Tier-H mostrou retornos decrescentes além de 3-5 documentos recuperados.
  • A remoção de descritores no Tier-M afetou mais tarefas de sons pulmonares do que tarefas baseadas em tosse, validando a necessidade de escalonamento para o Tier-H quando evidências descritivas são insuficientes.

5. Significado e Impacto

O trabalho demonstra que a inferência adaptativa é uma via prática e eficaz para melhorar a robustez em aplicações médicas de áudio, independentemente da necessidade de escalar modelos ou dados de treinamento.

• Viabilidade Clínica: Ao não exigir fine-tuning em dados locais (que podem ser escassos ou sensíveis), o TRIAGE oferece uma solução agíil para implementação em diferentes ambientes clínicos.
• Custo-Benefício: A abordagem permite que sistemas operem com baixo custo na maioria dos casos (rotina), reservando recursos computacionais caros (LLMs e recuperação de dados) apenas para os casos diagnosticamente complexos e incertos.
• Transparência: A estrutura em camadas fornece um "rastro de evidência" que é crucial para a aceitação clínica e conformidade regulatória em sistemas de IA de saúde.

Em resumo, o TRIAGE redefine como modelos de áudio médico podem ser utilizados, transformando a inferência de um processo estático e uniforme em um processo dinâmico e inteligente, otimizando o uso de recursos computacionais para maximizar a precisão diagnóstica onde ela é mais necessária.