Neuro-Oracle: A Trajectory-Aware Agentic RAG Framework for Interpretable Epilepsy Surgical Prognosis

Resumo Técnico: Neuro-Oracle

1. O Problema

A previsão de resultados cirúrgicos para epilepsia farmacorresistente é um desafio clínico significativo. As abordagens atuais de deep learning geralmente operam em exames de ressonância magnética (MRI) estáticos de um único momento pré-operatório, ignorando as mudanças morfológicas longitudinais (a evolução da anatomia do paciente do estado pré-operatório para o pós-operatório).

Além disso, existem três desafios principais:

1. Perda de informação temporal: Classificadores estáticos não capturam a trajetória de mudança anatômica.
2. Dados limitados: Coortes cirúrgicas individuais são pequenas (geralmente <300 pacientes), tornando modelos de ponta a ponta suscetíveis a overfitting.
3. Falta de interpretabilidade: Saídas probabilísticas de "caixa preta" não fornecem justificativas clínicas verificáveis, limitando sua adoção em decisões cirúrgicas.

O artigo destaca que, como os dados públicos (EPISURG) não possuem escores de liberdade de convulsões reais, o estudo utiliza um proxy clínico (tipo de ressecção: temporal vs. não-temporal) como rótulo de verdade fundamental, reconhecendo que o modelo pode estar aprendendo características anatômicas da cavidade de ressecção em vez da patologia epiléptica pura.

2. Metodologia: O Framework Neuro-Oracle

O Neuro-Oracle é um framework de três estágios baseado em RAG (Retrieval-Augmented Generation) e aprendizado contrastivo, projetado para ser interpretável e baseado em evidências.

• Fase 1: Codificação de Trajetória Contrastiva (3D Siamese)

  • Entrada: Pares de imagens de MRI T1 ponderadas (pré-operatório $X_{t0}$ e pós-operatório $X_{t1}$).
  • Processamento: As imagens são rigidamente registradas (sem deformação não-linear para preservar mudanças volumétricas locais) e normalizadas.
  • Arquitetura: Um encoder Siamese 3D (baseado em ResNet-50) compartilha pesos entre as duas ramificações temporais.
  • Saída: A diferença vetorial entre as representações das duas imagens é projetada em um vetor de trajetória compacto de 512 dimensões.
  • Treinamento: Utiliza uma combinação de Supervised Contrastive Loss (para separar classes) e Focal Loss (para lidar com o desbalanceamento de classes 4:1).

• Fase 2: Arquivo de População e Recuperação

  • Os vetores de trajetória de todos os pacientes de treinamento são indexados em um banco de dados FAISS (busca exata de vizinhos mais próximos).
  • Para um novo paciente (consulta), o sistema recupera os $k=5$ casos históricos mais geometricamente similares no espaço de trajetória.

• Fase 3: Agente de Raciocínio LLM (RAG)

  • Um agente baseado em Llama-3-8B (quantizado em 4-bit NF4) recebe um prompt estruturado contendo:
    • Dados do paciente de consulta (idade, sexo).
    • Perfis dos 5 vizinhos recuperados (idade, sexo, resultado cirúrgico).
    • Uma regra heurística de filtro de idade (ignorar vizinhos com diferença de idade > 15 anos).
  • O LLM gera uma justificativa em linguagem natural e um veredito binário (Sucesso/Falha).
  • Fusão de Probabilidade: A probabilidade final é uma média ponderada entre a votação majoritária dos vizinhos ($60\%$) e a decisão do LLM ($40\%$).

3. Contribuições Principais

1. Abordagem Longitudinal: Demonstra que codificar a diferença morfológica pré-pós-operatória em vetores de trajetória é superior a usar apenas imagens estáticas para prognóstico.
2. Interpretabilidade via Agente RAG: Introduz um sistema onde o prognóstico não é apenas um número, mas uma justificativa em linguagem natural baseada em casos históricos reais recuperados, eliminando alucinações (0% de alucinação no protocolo de auditoria).
3. Arquitetura Modular e Reprodutível: Todo o pipeline utiliza dados públicos (EPISURG) e ferramentas de código aberto, permitindo reprodutibilidade total.
4. Validação de Conceito: Estabelece um novo paradigma para prognóstico cirúrgico que combina geometria de aprendizado profundo com raciocínio semântico de LLMs.

4. Resultados

Os experimentos foram realizados no conjunto de dados EPISURG ($N=268$) usando validação cruzada estratificada de 5 dobras.

• Desempenho de Classificação:
  • Neuro-Oracle (M5): Alcançou um AUC de 0.867, igualando o desempenho do melhor classificador puramente discriminativo baseado em geometria (M2 - ViT estático) e superando a linha de base ResNet-50 estática (AUC 0.793).
  • Melhor Desempenho Puro: O Siamese Diversity Ensemble (M6), que combina múltiplos classificadores sem o LLM, atingiu o AUC mais alto (0.905), mas sem a capacidade de gerar justificativas.
  • Sensibilidade: Métodos baseados em trajetória (M3-M6) mostraram sensibilidade significativamente superior para a classe minoritária em comparação com classificadores estáticos.
• Qualidade da Recuperação:
  • Fidelidade de recuperação Top-5: 83.0% (pelo menos um vizinho correto em 4 de 5 consultas).
  • Similaridade média de cosseno: 0.919, indicando agrupamento forte das classes no espaço latente.
• Auditoria do LLM:
  • Taxa de adesão ao filtro de idade: 73.9%.
  • Taxa de alucinação: 0% (o modelo não gerou informações fora do contexto fornecido).

5. Significado e Conclusão

O Neuro-Oracle representa um avanço significativo na interseção entre neuroimagem médica e IA generativa. Embora não supere o desempenho bruto de um ensemble de classificadores discriminativos (M6), ele oferece um compromisso ideal entre precisão e interpretabilidade.

A principal conclusão é que, em ambientes clínicos de suporte à decisão, um modelo com AUC de 0.867 que fornece uma cadeia de raciocínio auditável e baseada em evidências (casos históricos reais) é mais valioso e implantável do que uma "caixa preta" com AUC de 0.905. O framework valida que a incorporação de mudanças longitudinais via vetores de trajetória, combinada com agentes de raciocínio, é uma via promissora para melhorar a prognóstico cirúrgico de epilepsia, desde que dados de resultados reais (Engel Class) estejam disponíveis para treinamento futuro.