When To Adapt? Adapting the Model or Data in Federated Medical Imaging

Resumo Técnico: "Quando Adaptar? Adaptando o Modelo ou os Dados em Imagem Médica Federada"

Declaração do Problema
A aprendizagem federada (FL) permite o treinamento colaborativo de modelos com preservação de privacidade entre instituições médicas, mas enfrenta limitações de desempenho significativas devido à heterogeneidade inter-cliente. Na imagem médica, as distribuições de dados são não independentes e não identicamente distribuídas (não-IID) devido a variações no hardware dos scanners, protocolos de aquisição, demografia dos pacientes e práticas de anotação. Essa heterogeneidade causa viés severo no modelo e generalização deficiente entre sites.

A pesquisa atual aborda esse desafio através de dois paradigmas distintos:

1. Personalização do Lado do Modelo: Adaptação dos parâmetros do modelo para clientes específicos via ajuste fino local, camadas modulares ou meta-aprendizagem (por exemplo, FedPer, FedBN, pFedMe).
2. Harmonização do Lado dos Dados: Redução da variação inter-cliente no nível de entrada alinhando estatísticas de aparência (por exemplo, estilo do scanner, intensidade) enquanto preserva o conteúdo anatômico, frequentemente usando modelos generativos (por exemplo, CycleGAN, CUT) ou adaptação no domínio da frequência.

Apesar do uso generalizado de ambas as estratégias, há uma falta de comparação sistemática sobre quando cada abordagem é preferível. Permanece incerto se a escolha da estratégia deve depender do tipo específico de deslocamento de domínio (estrutural versus baseado em aparência) ou da magnitude da heterogeneidade.

Metodologia
Os autores propõem um estudo empírico abrangente para avaliar os trade-offs entre harmonização e personalização em seis tarefas diversas de imagem médica:

• Tarefas de Segmentação: Segmentação de pólipos de cólon, lesões de pele e tumores de mama.
• Tarefas de Classificação: Classificação de radiografias torácicas (CXR) de tuberculose, tumores cerebrais e tumores de mama.

O estudo utiliza um framework experimental unificado envolvendo quatro clientes por tarefa, extraídos de conjuntos de dados públicos distintos (por exemplo, Kvasir-SEG, HAM10K, BUSI, Shenzhen Hospital CXR). Os autores categorizam os deslocamentos de domínio em dois tipos qualitativos:

1. $\Delta_{style}$ (Deslocamento no nível de entrada/nível de estilo): Variações no hardware do scanner, protocolos, intensidade e ruído que alteram a aparência global, mas preservam o layout anatômico.
2. $\Delta_{content}$ (Deslocamento no nível de conteúdo/nível estrutural): Variações na anatomia, morfologia da patologia, ponto de vista e contexto da cena que alteram a estrutura espacial e o conteúdo semântico.

Os autores avaliam 18 métodos de última geração (SoTA) sob configurações federadas idênticas e orçamentos de comunicação. Estes incluem:

• Baselines: Localmente centralizado, centralizado (testado globalmente/localmente) e FedAvg Vanilla.
• Métodos de Harmonização: Pré-processamento/aumentação, correspondência de histograma, adaptação no domínio da frequência (FDA), MixStyle (nível de entrada e de recurso) e tradução generativa (CycleGAN, CUT, AdaIN, CoMoGAN).
• Métodos de Personalização: Personalização por camadas (FedPer, FedRep, FedBN), abordagens baseadas em otimização (FedProx, SCAFFOLD, FedAdam) e bi-modelo/meta-aprendizagem (pFedMe, Ditto).

Principais Contribuições

1. Comparação Abrangente: O artigo fornece a primeira comparação sistemática de estratégias de harmonização e personalização em seis tarefas de imagem médica com tipos variados de heterogeneidade.
2. Análise Empírica do Deslocamento de Domínio: Demonstra empiricamente que a eficácia de uma estratégia de adaptação é condicional ao tipo e à magnitude do deslocamento de domínio, e não apenas à tarefa.
3. Base de Código Modular: Os autores lançam uma base de código modular que suporta ambos os paradigmas para facilitar pesquisas futuras e abordagens híbridas.

Resultados Experimentais
Os resultados revelam um trade-off condicional impulsionado pela natureza da heterogeneidade:

• Heterogeneidade Estrutural (Segmentação de Pólipos de Cólon): Em tarefas com grandes variações estruturais (por exemplo, diferentes conjuntos de dados de endoscopia com formas e geometrias variadas de pólipos), métodos de personalização superam consistentemente a harmonização. Adaptar o modelo a estruturas específicas do cliente é crucial aqui.
• Heterogeneidade Impulsionada pela Aparência (Classificação de CXR de Tuberculose): Em tarefas onde a anatomia é preservada, mas as variações de scanner/intensidade são dominantes, métodos de harmonização superam consistentemente a personalização. Reduzir a variabilidade de entrada permite que um modelo global compartilhado desempenhe efetivamente.
• Variação Moderada/Limitada (Lesões de Pele, Tumores de Mama, Tumores Cerebrais): Quando as diferenças inter-cliente são pequenas ou mistas (deslocamentos estruturais e de aparência moderados), ambas as estratégias desempenham de forma semelhante, sem que nenhuma ofereça uma vantagem clara. Nestes casos, o desempenho frequentemente se aproxima do "teto" da baseline centralizada.

Especificamente, para a segmentação de pólipos de cólon, a personalização (por exemplo, Ditto, Ajuste Fino Local) alcançou pontuações Dice superiores em comparação com a harmonização. Por outro lado, para a classificação de CXR de TB, a harmonização (por exemplo, correspondência de histograma, MixStyle) superou significativamente a personalização, que lutou com a alta variância nos estilos de entrada.

Significado e Alegações
O artigo conclui que não há uma estratégia universalmente superior para imagem médica federada. Em vez disso, a escolha entre adaptar o modelo ou os dados depende das características específicas do deslocamento de domínio:

• Adaptar o Modelo (Personalização) quando a heterogeneidade é principalmente estrutural (por exemplo, anatomia variável ou morfologia da patologia).
• Adaptar os Dados (Harmonização) quando a heterogeneidade é principalmente baseada em aparência (por exemplo, estilo do scanner, intensidade, ruído).
• Qualquer Estratégia é suficiente quando a variação é limitada ou moderada.

Os autores enfatizam que sistemas federados práticos devem avaliar a variação entre sites a priori para selecionar a estratégia apropriada, em vez de assumir uma preferência fixa. Eles reconhecem uma limitação: em cenários do mundo real, o tipo e a magnitude da heterogeneidade são frequentemente desconhecidos e dinâmicos. Consequentemente, destacam direções futuras para o desenvolvimento de métricas para caracterizar a heterogeneidade diretamente a partir dos dados e a criação de frameworks adaptativos que combinam harmonização e personalização em múltiplos níveis.