A Robust Unsupervised Domain Adaptation Framework for Medical Image Classification Using RKHS-MMD

Resumo Técnico: Um Framework Robusto de Adaptação de Domínio Não Supervisionada para Classificação de Imagens Médicas Usando RKHS-MMD

Declaração do Problema
O artigo aborda o gargalo crítico do rotulamento de imagens médicas, um processo que é intensivo em mão de obra, custoso e requer expertise especializada em domínio. Essa escassez de dados anotados é exacerbada por "deslocamentos de domínio" e "discrepâncias de modalidade" decorrentes de variações em dispositivos de imagem, protocolos de aquisição e centros médicos. Essas heterogeneidades causam diferenças significativas nas distribuições de características entre conjuntos de dados fonte (anotados) e alvo (não anotados), levando a uma generalização pobre de modelos de aprendizado de máquina treinados apenas com dados fonte. Embora a Adaptação de Domínio Não Supervisionada (UDA) ofereça uma solução ao aproveitar dados alvo não anotados, os métodos existentes frequentemente lutam com a natureza complexa e não linear das distribuições de imagens médicas.

Metodologia
Os autores propõem um framework de UDA que integra aprendizado por transferência com uma perda de Discrepância de Média Máxima (MMD) baseada em Espaço de Hilbert de Núcleo Reprodutor (RKHS). A metodologia central envolve:

1. Arquitetura: O framework utiliza EfficientNetV2 como base para extração de características. O modelo processa tanto dados fonte anotados quanto dados alvo não anotados.
2. Otimização Conjunta: O modelo é treinado minimizando uma função de perda combinada:
   $$L = L_{CLASS} + \sum_{i=1}^{t} \lambda_i L_{MMD}$$
   • $L_{CLASS}$ (Perda de Classificação): Uma perda de entropia cruzada padrão aplicada ao domínio fonte anotado para garantir previsões precisas.
   • $L_{MMD}$ (Perda RKHS-MMD): Uma métrica de discrepância calculada dentro de um RKHS para alinhar as distribuições de características dos domínios fonte e alvo.
3. Formulação RKHS: Diferentemente da MMD padrão, que pode depender de núcleos fixos, o método proposto incorpora dados em um RKHS usando um núcleo Gaussiano. Isso permite o alinhamento de distribuições em um espaço de características de alta dimensão (potencialmente de dimensão infinita). A perda empírica de MMD minimiza a distância quadrada entre as incorporações médias das distribuições fonte ($\mu_S$) e alvo ($\mu_T$):
   $$L_{MMD} = \|\mu_S - \mu_T\|_H^2$$
   Essa formulação visa capturar tanto incompatibilidades de média e variância, quanto relações não lineares complexas, que são prevalentes na imagem médica.

Principais Contribuições

• Integração RKHS-MMD: O artigo introduz a aplicação de MMD baseada em RKHS especificamente para classificação de imagens médicas, argumentando que oferece um espaço de incorporação mais versátil do que a MMD padrão para lidar com distribuições de características intrincadas.
• Adaptação Não Supervisionada: O framework opera sem exigir rótulos para o domínio alvo, abordando a restrição do mundo real onde os dados alvo são frequentemente não anotados.
• Análise Comparativa: O estudo fornece uma comparação direta entre RKHS-MMD, MMD padrão e Deep CORAL, destacando as vantagens teóricas do RKHS na captura de discrepâncias de distribuição de ordem superior.

Resultados Experimentais
O framework foi avaliado em dois conjuntos de dados de raios-X de tórax de diferentes centros médicos:

• Domínio Fonte: 5.232 raios-X de tórax pediátricos (Normal e Pneumonia) de um conjunto de dados público.
• Domínio Alvo: 4.584 raios-X de tórax de um estudo diferente ("Classificação e encaminhamento baseados em aprendizado profundo de doenças humanas tratáveis"), representando um deslocamento de domínio distinto.

Métricas de Desempenho:

• Seleção de Modelo: EfficientNetV2 superou EfficientNet, ResNet, AlexNet e VGG19, alcançando a maior precisão em ambos os domínios.
• Precisão no Domínio Alvo: A abordagem proposta RKHS-MMD alcançou uma precisão de 77,45% no domínio alvo não anotado.
• Comparação:
  • RKHS-MMD: 77,45% de Precisão.
  • MMD Padrão: 72,01% de Precisão.
  • Deep CORAL: 54,88% de Precisão.
• Análise de Perda: O método RKHS-MMD demonstrou a menor perda de classificação (0,0014) e perda de MMD (0,1092) entre os métodos comparados, indicando alinhamento superior de características e capacidade discriminativa.
• Desempenho por Classe: O modelo alcançou um Escore F1 Macro de 0,77. Especificamente, mostrou alta recall para Pneumonia (1,00), mas recall menor para casos Normais (0,68), resultando em um F1 específico por classe de 0,72 para Pneumonia e 0,81 para Normal.

Significado e Alegações
O artigo afirma que o framework proposto RKHS-MMD efetivamente preenche a lacuna entre os domínios fonte e alvo na imagem médica, reduzindo discrepâncias de modalidade sem anotação manual. Os autores afirmam que o RKHS-MMD supera a MMD padrão e o Deep CORAL porque pode modelar deslocamentos complexos e não lineares e momentos de ordem superior (além da simples covariância) inerentes aos dados médicos. O estudo conclui que essa abordagem aprimora a generalização de sistemas de diagnóstico impulsionados por IA, tornando-os mais robustos entre diferentes centros médicos e dispositivos de imagem. Os autores observam que, embora a avaliação atual seja limitada à classificação binária, o método é extensível para configurações multiclasse para aplicação clínica mais ampla.