Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment

1. Declaração do Problema

Modelos de fundação, como o Segment Anything Model (SAM), demonstraram forte generalização em imagens naturais, mas carecem de quantificação suficiente de sua robustez sob deslocamentos de domínio em imagens médicas clinicamente realistas. Em ambientes clínicos, as imagens de Tomografia Computadorizada (TC) variam significativamente devido a diferenças em hardware de scanners, protocolos de aquisição, kernels de reconstrução e posicionamento do paciente.

Para Gêmeos Digitais de Saúde (HDTs) — modelos computacionais dinâmicos de pacientes que dependem de modelagem anatômica contínua e precisa —, esses deslocamentos de domínio representam um risco crítico. Se a espinha dorsal de segmentação (por exemplo, SAM) falhar ou degradar-se sob variabilidade inter-scanner, as atualizações de estado do gêmeo digital, o monitoramento longitudinal e as decisões clínicas subsequentes tornam-se pouco confiáveis. Há uma necessidade de uma auditoria sistemática para determinar se modelos de fundação podem servir como bases estáveis para a implantação de HDTs.

2. Metodologia

O estudo conduziu uma auditoria sistemática de robustez em nível de fatia do SAM (ViT-B) para segmentação do baço em exames de TC abdominal.

• Conjunto de Dados: 41 volumes de TC abdominal do Medical Segmentation Decathlon (Task 09: Spleen), resultando em 1.051 fatias axiais não vazias.
• Pré-processamento: As imagens foram janeladas (Nível=50 HU, Largura=400 HU), limitadas a [0, 255] e convertidas para RGB de 3 canais.
• Protocolo de Solicitação (Prompting): Uma caixa delimitadora derivada da Verdade Terrena (GT) foi utilizada como prompt. Esta abordagem de "oráculo" isola a robustez do codificador da incerteza do prompt, fornecendo uma estimativa limpa do limite superior da estabilidade do modelo.
• Condições de Perturbação: Dez perturbações controladas foram aplicadas para simular variabilidade inter-scanner em cinco tipos:
  1. Desfoque Gaussiano: Tamanhos de kernel $k=3, 7$ (simulando variação da PSF).
  2. Ruído Gaussiano: Desvios padrão $\sigma=10, 25$ (simulando ruído do detector).
  3. Incompatibilidade de Resolução: Fatores de Subamostragem + Superamostragem de $0,5x$ e $0,25x$.
  4. Escala de Contraste: Multiplicadores $0,8$e$1,2$.
  5. Correção Gamma: Expoentes $0,8$e$1,2$.
• Métricas de Avaliação:
  • Coeficiente de Similaridade Dice (DSC) e Interseção sobre União (IoU).
  • $\Delta$Dice: A diferença entre as pontuações Dice da linha de base limpa e a perturbada.
  • Taxa de Falha: Definida como fatias com Dice < 0,5.
• Análise Estatística:
  • Testes de postos sinalizados de Wilcoxon pareados para significância do $\Delta$Dice.
  • Teste de McNemar para alterações nas taxas de falha.
  • Correção Benjamini-Hochberg (FDR) aplicada a todos os valores de $p$ para lidar com comparações múltiplas.
  • Reamostragem Bootstrap (10.000 iterações) para Intervalos de Confiança (IC) de 95%.

3. Principais Contribuições

1. Protocolo de Avaliação Padronizado: Introdução de um protocolo de prompt de caixa derivado de GT para isolar a robustez do codificador da variabilidade do prompt, estabelecendo um framework reproduzível para auditorias de modelos de fundação.
2. Auditoria de Robustez em Grande Escala: Avaliação de 1.051 fatias através de 10 condições distintas de deslocamento de domínio, quantificando a degradação (ou melhoria) de desempenho com rigor estatístico.
3. Caracterização Estatística: Fornecimento de valores quantificados de $\Delta$Dice, tamanhos de efeito (correlação bisserial de postos) e análises de taxas de falha com testes de significância corrigidos por FDR.
4. Framework de Integração de Gêmeo Digital: Mapeamento do papel do SAM dentro de um pipeline de Gêmeo Digital de Saúde em 5 estágios, validando sua adequação como a camada de "Análise Anatômica".
5. Benchmarking Cross-Domínio: Comparação do desempenho do SAM contra modelos especialistas (por exemplo, nnU-Net) em cinco domínios médicos (Baço, Rim, Fígado, Ressonância Magnética Cerebral, Histopatologia) para contextualizar suas capacidades zero-shot.

4. Principais Resultados

• Desempenho de Linha de Base: Sob condições limpas, o SAM (ViT-B) alcançou uma pontuação Dice média de 0,9145 (IC 95%: [0,909, 0,919]) com uma taxa de falha de apenas 0,67%.
• Robustez a Perturbações:
  • Em todas as 10 condições, o $\Delta$Dice médio absoluto permaneceu abaixo de 0,01.
  • Significância Estatística: Embora algumas condições (por exemplo, desfoque leve, subamostragem moderada) mostraram melhorias estatisticamente significativas (provavelmente devido à supressão de ruído), e outras (redução de gamma, aumento de contraste) mostraram leve degradação, os tamanhos de efeito foram negligenciáveis ($|r| < 0,08$).
  • Taxas de Falha: Nenhuma condição de perturbação resultou em um aumento estatisticamente significativo na taxa de falha (Dice < 0,5) em comparação com a linha de base (todos os $p$ ajustados por FDR > 0,05).
• Perfil de Confiabilidade:
  • 81,1% das fatias alcançaram Dice $\ge$ 0,9.
  • 99,3% das fatias excederam Dice $\ge$ 0,5.
• Comparação Cross-Domínio:
  • Alto Desempenho: O SAM teve melhor desempenho em órgãos parenquimatosos de TC (Baço, Rim, Fígado), com lacunas em relação a modelos especialistas variando de 0,049 a 0,090.
  • Baixo Desempenho: Lacunas significativas foram observadas em Ressonância Magnética Cerebral (T1ce) e Histopatologia (H&E), onde os priores de imagens naturais falharam em alinhar-se com características visuais médicas (por exemplo, edema vs. tumor, textura da cromatina).

5. Significado e Implicações

• Validação para Gêmeos Digitais de Saúde: O estudo confirma que o SAM exibe comportamento de segmentação estável sob variabilidade inter-scanner moderada. Isso o torna uma base de fundação viável e robusta para a camada de modelagem anatômica de Gêmeos Digitais de Saúde, garantindo que atualizações de estado e monitoramento longitudinal não sejam corrompidos por variações rotineiras de imagem.
• Prontidão para Implantação: As descobertas sugerem que, para estruturas de TC de alto contraste (como o baço), o SAM pode ser implantado com confiança quanto à estabilidade do codificador. No entanto, os autores alertam que:
  • O uso de caixas derivadas de GT é um cenário de "oráculo"; a solicitação automatizada do mundo real requer validação adicional.
  • O desempenho varia por órgão e modalidade; órgãos com formas complexas ou baixo contraste (por exemplo, pâncreas, tumores cerebrais) podem exigir validação específica.
• Framework para Governança: O protocolo de auditoria proposto (perturbação controlada + testes estatísticos pareados + perfil de confiabilidade) oferece um padrão reutilizável para validar qualquer componente de segmentação antes da integração em sistemas de IA clínica, um passo crítico em direção a uma governança de IA confiável.

Conclusão: O SAM (ViT-B) demonstra robustez suficiente para servir como uma espinha dorsal confiável para a segmentação do baço em ambientes clínicos multi-sítio, apoiando sua integração em arquiteturas de Gêmeo Digital de Saúde, desde que as incertezas específicas do órgão e de geração de prompts sejam gerenciadas em fases futuras de implantação.