Improving Imbalanced Multi-Label Chest X-Ray Diagnosis via CBAM-Enhanced CNN Backbones

Resumo Técnico: Melhoria do Diagnóstico de Radiografias de Tórax Multi-Rótulo Desbalanceado via Backbones de CNN Aprimorados com CBAM

Declaração do Problema
A radiografia de tórax é uma modalidade primária para o diagnóstico de doenças torácicas, contudo a interpretação manual permanece demorada e dependente de conhecimento especializado. Embora a Aprendizagem Profunda (DL) tenha automatizado a extração de características, dois desafios críticos persistem neste domínio:

1. Complexidade Multi-Rótulo: Uma única radiografia frequentemente contém múltiplas patologias coexistentes, exigindo que os modelos lidem com classificações complexas e simultâneas.
2. Desequilíbrio Severo de Classes: Conjuntos de dados em grande escala como ChestXray14, MIMIC-CXR e CheXpert são dominados por condições frequentes e pela etiqueta "Sem Achados". Este desequilíbrio viésa o comportamento de aprendizagem, levando a desempenho degradado em doenças raras, mas clinicamente significativas.
   Além disso, Redes Neurais Convolucionais (CNNs) padrão sofrem com campos receptivos limitados, dificultando a captura de dependências de longo alcance cruciais para identificar anormalidades espacialmente distantes, mas semanticamente correlacionadas. Embora arquiteturas baseadas em Transformadores ofereçam soluções, seus altos requisitos computacionais e de dados frequentemente limitam a viabilidade em cenários clínicos do mundo real.

Metodologia
Os autores propõem uma estratégia de integração prática que aprimora backbones de CNN padrão com o Módulo de Atenção de Bloco Convolucional (CBAM) para melhorar a classificação multi-rótulo sem exigir anotações em nível de pixel. A metodologia foca em três componentes principais:

1. Arquitetura Aprimorada com CBAM:

   • O framework integra o CBAM em backbones amplamente adotados, especificamente DenseNet121 e VGG16.
   • O CBAM é aplicado sequencialmente ao longo das dimensões de canal e espacial para gerar mapas de atenção que atuam como máscaras de características suaves. Isso amplifica regiões relevantes para a tarefa enquanto suprime informações de fundo irrelevantes.
   • Posicionamento Estratégico: O artigo introduz um esquema de posicionamento de módulo principiado. Para o DenseNet121, o CBAM é inserido após os blocos densos 3º e 4º. Para o VGG16, é inserido após os blocos 3, 4 e 5. Esta estratégia visa camadas semânticas mais profundas onde abstrações de alto nível são formadas, equilibrando a extração de características de baixo nível com o refinamento semântico de alto nível.

2. Paradigma de Treinamento:

   • O estudo adota um paradigma de aprendizagem em duas etapas (inspirado em trabalhos anteriores [7]).
   • Etapa 1: O modelo é treinado exclusivamente em amostras anormais para capturar padrões discriminativos específicos de classe, mitigando a dominância da classe "Sem Achados".
   • Etapa 2: O modelo é ajustado finamente em todo o conjunto de dados para reforçar a aprendizagem de representação global.
   • Os autores investigam várias funções de perda, incluindo Entropia Cruzada Binária (BCE) e Focal Loss, comparando treinamento de uma única etapa versus duas etapas.

3. Ablação e Avaliação:

   • O estudo conduz estudos de ablação para determinar o posicionamento ótimo dos módulos CBAM e a eficácia de diferentes configurações de treinamento.
   • A avaliação é realizada no conjunto de dados ChestXray14 (112.120 imagens, 14 categorias de doenças) usando uma divisão por paciente para evitar vazamento de informações.

Contribuições Principais
O artigo delineia quatro contribuições primárias:

• Integração de Framework: Um framework de CNN aprimorado com CBAM que incorpora mecanismos de atenção em backbones padrão (DenseNet121, VGG16) para refinar representações de características para classificação multi-rótulo.
• Estratégia de Posicionamento: Um esquema principiado para identificar pontos de inserção ótimos para o CBAM, demonstrando que integrar atenção em camadas semânticas mais profundas produz resultados superiores em comparação com posicionamento completo ou mínimo.
• Análise de Treinamento: Um estudo de ablação investigando os efeitos da Focal Loss, treinamento de uma única etapa e uma estratégia de duas etapas inspirada em currículo. A análise destaca como as configurações de treinamento afetam o desempenho sob desequilíbrio severo de classes.
• Benchmarks de Desempenho: Avaliação no ChestXray14 mostrando melhoria na detecção de condições sub-representadas em comparação com baselines de última geração.

Resultados
O método proposto alcança os seguintes resultados no conjunto de dados ChestXray14:

• Desempenho Geral: O modelo VGG16 aprimorado com CBAM alcançou uma média de AUC de 0,8695, e o DenseNet121 aprimorado com CBAM alcançou 0,8681. Essas pontuações superam benchmarks anteriores, incluindo Wang et al. (0,7451), CheXNet (0,841) e SynthEnsemble (0,854).
• Detecção de Patologias Raras: Os modelos demonstraram resiliência ao desequilíbrio de classes em categorias raras:
  • Hérnia: O CBAM-DenseNet121 alcançou um AUC de 0,9660 (vs. 0,9172 em trabalho anterior).
  • Enfisema: Alcançou AUCs de 0,9426 (DenseNet) e 0,9422 (VGG16).
  • Pneumonia: O CBAM-VGG16 alcançou um AUC de 0,7915.
• Descobertas de Ablação:
  • Posicionamento: Inserir o CBAM após os blocos 3º e 4º no DenseNet121 e blocos 3, 4 e 5 no VGG16 produziu o maior desempenho. Restringir a atenção apenas ao bloco final causou uma queda significativa no desempenho.
  • Estratégia de Treinamento: A abordagem de treinamento em duas etapas superou consistentemente o treinamento de uma única etapa, mesmo quando modelos de uma única etapa utilizaram Focal Loss. Por exemplo, o DenseNet121 de duas etapas (Perda BCE) atingiu 0,8681, significativamente mais alto que o melhor resultado de uma única etapa de 0,8400 (Focal Loss). Isso sugere que isolar dados anormais na etapa inicial é crítico para aprender semânticas inter-classes em conjuntos de dados desbalanceados.

Significado e Alegações
O artigo alega que sua arquitetura proposta oferece um compromisso prático entre capacidade de modelagem e eficiência. Ao aprimorar CNNs padrão com mecanismos de atenção, o método melhora a detecção de patologias sutis e de baixa prevalência sem a sobrecarga computacional de modelos baseados em Transformadores ou a necessidade de anotações caras em nível de pixel. Os autores enfatizam que o currículo de treinamento em duas etapas é um fator crítico para superar o desequilíbrio de classes, permitindo que o modelo aprenda efetivamente padrões discriminativos antes de generalizar para todo o conjunto de dados. O trabalho conclui que a implantação direcionada de mecanismos de atenção, combinada com currículos de treinamento adaptados, é essencial para diagnóstico multi-rótulo robusto em imagens médicas. Trabalhos futuros são sugeridos para focar em aprimorar a interpretabilidade clínica e modelar dependências inter-patológicas.