Resumo Técnico: MPD2-Router

Declaração do Problema

O artigo aborda as limitações dos preditores de IA "one-shot" padrão na triagem de glaucoma oftálmico. Os sistemas atuais geralmente produzem um único rótulo, sem considerar a natureza sequencial e incerta da tomada de decisão clínica. Os autores identificam várias lacunas críticas nas formulações existentes de Aprendizado para Adiar (L2D) quando aplicadas a fluxos de trabalho clínicos do mundo real:

1. Heterogeneidade de Especialistas: Especialistas humanos (oftalmologistas, residentes, avaliadores) não são oráculos intercambiáveis; eles variam em experiência, conhecimento de subespecialidade e limiares de decisão.
2. Restrições de Disponibilidade: Na prática, nem todos os especialistas estão disponíveis para cada caso, mas o L2D padrão frequentemente assume um conjunto de especialistas estático e totalmente disponível.
3. Dano Assimétrico: Erros diagnósticos têm custos assimétricos (por exemplo, deixar passar um glaucoma é mais prejudicial do que uma referência falsa), o que as formulações padrão frequentemente ignoram.
4. Mudança de Distribuição e Morfologia: A confiabilidade da IA degrada-se sob condições fora da distribuição (OOD), baixa qualidade de imagem e dificuldades morfológicas específicas (por exemplo, variações na relação taça/disco), mas os modelos padrão frequentemente dependem apenas de pontuações de confiança.
5. Colapso de Especialistas: Os métodos existentes de roteamento multi-especialista frequentemente falham em distribuir a carga de trabalho uniformemente, causando "colapso de especialistas", onde casos difíceis são roteados para um único especialista dominante, sobrecarregando-o.

O problema central é reestruturado como um problema de roteamento humano–IA com restrições: determinar não apenas se um caso deve ser adiado para um humano, mas também qual especialista disponível é mais apropriado, gerenciando simultaneamente carga de trabalho, custo e segurança clínica.

Metodologia: MPD2-Router

Os autores propõem o MPD2-Router (Roteador de Dupla Cabeça de Adiar com Regularização de Priori Multi-especialista Consciente de Máscara), um framework que acopla uma política de dupla cabeça com um mecanismo de porta (gating) consciente de máscara e regularização especializada.

1. Representação do Roteador

O roteador ingere uma representação fundida ($h_i$) derivada de três fontes complementares:

• Logits de IA Congelados: Saídas de um classificador SwinV2 pré-treinado e congelado.
• Sinais de Risco: Um vetor combinando pontuações de Correspondência de Logits Virtuais (VIM), risco de qualidade de imagem e incerteza de probabilidade máxima.
• Características Morfológicas: Características estruturais derivadas da segmentação do disco óptico e da taça óptica (relações taça/disco verticais e de área), incluindo uma estimativa de risco estrutural e uma medida de discordância entre IA e estrutura.

2. Política de Dupla Cabeça

A política $\pi_\theta$ é fatorizada em duas decisões acopladas:

• Cabeça de Adiamento: Estima a massa de adiamento suave $d_i$ (probabilidade de adiar para um humano). Ela impõe a predição autônoma se nenhum especialista for viável para uma dada amostra.
• Cabeça de Alocação de Especialistas: Determina a quem adiar. Esta cabeça utiliza um mecanismo de porta Gumbel–sigmoid consciente de máscara:
  • Estágio I (Seleção de Suporte): Usa um mapa de máscara estendido-real para impor estritamente a viabilidade. Especialistas inviáveis são mascarados para $-\infty$ antes da relaxação Gumbel-softmax, garantindo que a probabilidade de selecionar um especialista indisponível seja exatamente zero.
  • Estágio II (Alocação): Aloca massa de probabilidade apenas sobre o conjunto de especialistas viáveis selecionados no Estágio I, normalizado via um softmax mascarado.
  • Mecanismo de Reparo: Se a seleção estocástica de suporte resultar em um conjunto vazio, a política recua para a máscara viável completa para garantir uma ação válida.

3. Regularização e Objetivos

Para prevenir o colapso de especialistas e garantir uma carga de trabalho equilibrada, o objetivo de treinamento inclui:

• Priori de Distribuição Específica de Grupo (GSDP): Uma priori hierárquica estilo Bayesiano empírico que contrai as distribuições de alocação de nível de grupo em direção a estimativas ponderadas por confiabilidade derivadas de estatísticas de coorte global. Isso impede que grupos específicos de casos se concentrem excessivamente em um único especialista.
• Regularizador JS (Jensen–Shannon) de Majoração de Ranks: Penaliza o perfil de ranks ordenado da distribuição de alocação. Ele ativa apenas quando o roteador atribui massa cumulativa excessiva aos especialistas de maior rank em relação a uma referência geométrica, desencorajando a concentração ao nível da amostra sem forçar uniformidade.
• Objetivo Sensível a Custos Assimétricos: Minimiza uma função de risco clínico-operacional que considera custos de falso-negativo/falso-positivo ($c_{fn}, c_{fp}$) e custos operacionais de especialistas ($\kappa_j$).
• Controle de Adiamento via Lagrangiano Aumentado: Impõe um orçamento de adiamento suave ($\bar{d} \le \rho_{def}$) usando um multiplicador de Lagrangiano aumentado, permitindo que o modelo aprenda uma taxa de adiamento controlada, em vez de um subproduto descontrolado.

Contribuições Principais

1. Formulação: Reenquadra a triagem de glaucoma como um problema de roteamento com restrições que modela explicitamente a disponibilidade de especialistas por amostra, o comportamento heterogêneo de especialistas e o dano diagnóstico assimétrico.
2. Arquitetura: Introduz um roteador de dupla cabeça com porta Gumbel–sigmoid consciente de máscara que impõe estritamente restrições de viabilidade durante o treinamento e a inferência, separando a decisão de "se adiar" da decisão de "a quem adiar".
3. Regularização: Propõe uma combinação novel de regularizadores GSDP e JS de Majoração de Ranks para mitigar o colapso de especialistas (concentração de casos adiados em poucos especialistas) enquanto preserva a alocação consciente de custos.
4. Estratégia de Treinamento: Utiliza um objetivo sensível a custos assimétricos com um controlador de Lagrangiano aumentado para produzir decisões alinhadas clinicamente sob um orçamento de adiamento.

Resultados Experimentais

O método foi avaliado em três coortes de glaucoma transnacionais: REFUGE, CHAKSU e ORIGA. Um backbone de IA congelado treinado no REFUGE foi usado para simular mudanças de implantação entre domínios.

• Desempenho: O MPD2-Router alcançou o melhor desempenho geral, melhorando a precisão de 0,755 (IA apenas) para 0,960, o F1 de 0,530 para 0,868 e o MCC de 0,482 para 0,844.
• Eficiência de Custos: Reduziu significativamente o custo clínico (de 0,372 para 0,068) e o custo total em comparação com IA apenas e outras bases (por exemplo, Verma-OvA, Hemmer-MoE).
• Optimalidade de Pareto: O método ocupa uma região favorável de Pareno no espaço de trade-off F1–MCC–custo, alcançando alta utilidade preditiva sem incorrer nos custos excessivos de adiamento observados em outros métodos.
• Robustez: Sob mudança de distribuição (especificamente no conjunto de dados ORIGA, onde a precisão apenas da IA caiu para 0,491), o MPD2-Router recuperou o desempenho para 0,926 de precisão e 0,820 de MCC, mantendo o menor custo total.
• Utilização de Especialistas: O método demonstrou utilização equilibrada de especialistas, alcançando a menor participação Top-1 (24,7%) e Top-2 (44,0%) entre os métodos comparados, indicando que evita o colapso de roteamento para um único especialista dominante.
• Estratificação de Risco: O roteador exibiu um crescimento de custos mais lento sob alto risco estrutural e de confiabilidade do modelo em comparação com as bases, permanecendo substancialmente abaixo do desempenho apenas da IA nos estratos de maior risco.

Significado e Alegações

O artigo afirma que o MPD2-Router fornece um framework fundamentado clinicamente para analisar quando a IA autônoma é apropriada e como a atenção escassa de especialistas deve ser alocada com segurança sob mudança de distribuição.

• Segurança e Seletividade: O sistema é seletivo, e não indiscriminado, roteando casos com base em uma fusão de incerteza, morfologia, qualidade de imagem e sinais OOD, e não apenas na confiança.
• Implantação Prática: Ao impor disponibilidade por amostra e prevenir o colapso de especialistas, o método aborda falhas de implantação chave do L2D padrão, como a sobrecarga de especialistas específicos ou a ignorância de restrições de disponibilidade.
• Limitações: Os autores observam modestamente que a avaliação depende de conjuntos de dados retrospectivos entre coortes com rótulos de especialistas heterogêneos e parcialmente observados (usando rótulos semi-sintéticos para o REFUGE e pseudo-rótulos para o ORIGA). Eles afirmam que validação clínica prospectiva e revisão regulatória são necessárias antes da implantação real, mas os resultados entre coortes sugerem que o método permanece eficaz sob supervisão esparsa e heterogênea.

O trabalho posiciona o roteamento estruturado humano–IA como uma direção prática para uma implantação mais segura de IA oftálmica, indo além da classificação simples para suporte de decisão consciente de instância, custo e disponibilidade.