M3Net: A Macro-to-Meso-to-Micro Clinical-inspired Hierarchical 3D Network for Pulmonary Nodule Classification

Resumo Técnico: M3Net para Classificação de Nódulos Pulmonares

Declaração do Problema
A diferenciação precisa entre nódulos pulmonares benignos e malignos em tomografias computadorizadas (TC) é uma tarefa crítica, porém desafiadora, na triagem precoce do câncer de pulmão. Embora modelos de aprendizado profundo tenham demonstrado alta precisão preditiva em benchmarks como o LIDC-IDRI, eles frequentemente funcionam como "caixas pretas", carecendo da transparência e explicabilidade necessárias para a integração clínica. Abordagens existentes frequentemente falham em modelar sistematicamente a lógica diagnóstica hierárquica utilizada por radiologistas, que progride de detalhes estruturais de alta granularidade para o contexto local e, finalmente, para as relações anatômicas globais. Além disso, muitos modelos dependem de entradas unimodais ou de técnicas de explicabilidade post-hoc que não se alinham com as representações de características internas do modelo, limitando sua confiabilidade em cenários de diagnóstico do mundo real.

Metodologia: M3Net
Os autores propõem o M3Net, uma nova rede 3D inspirada no fluxo de trabalho diagnóstico hierárquico dos radiologistas. O framework opera sob um princípio Macro $\rightarrow$ Meso $\rightarrow$ Micro, integrando informações contextuais multiescala por meio de um protocolo de treinamento em duas etapas e um mecanismo de fusão por atenção cruzada hierárquica.

1. Estratégia de Entrada Inspirada na Clínica:
   O modelo processa três patches volumétricos aninhados representando diferentes escalas espaciais:

   • Escala Micro ($X_{32}$): Captura estruturas de nódulos de alta granularidade (por exemplo, espiculação, lobulação, textura interna).
   • Escala Meso ($X_{64}$): Codifica o contexto local e relações peri-nodulares (por exemplo, convergência vascular, adjacência pleural).
   • Escala Macro ($X_{96}$): Representa relações espaciais globais e contexto anatômico de longo alcance (por exemplo, compressão tecidual, conectividade vascular em grande escala).

2. Codificação e Alinhamento Específicos por Escala:
   Cada escala é processada por uma rede de backbone dedicada (por exemplo, ConvNeXt, ResNet). Para garantir consistência semântica entre as escalas, os autores empregam um protocolo de treinamento em duas etapas:

   • Etapa 1 (Pré-treinamento Discriminativo): Cada ramo específico de escala é otimizado independentemente usando um objetivo de classificação por entropia cruzada. Camadas inferiores são parcialmente congeladas para preservar representações de textura e borda de baixo nível.
   • Etapa 2 (Alinhamento entre Escalas): A rede é ajustada finamente para impor consistência entre as escalas. Isso envolve projetar características específicas de escala em um espaço latente unificado e otimizar uma perda de alinhamento hierárquico ($\mathcal{L}_{align}$) composta por:
     • Perda InfoNCE: Maximiza a informação mútua entre embeddings latentes de diferentes escalas.
     • Alinhamento de Covariância: Minimiza a distância de Frobenius entre matrizes de covariância específicas de escala para estabilizar a geometria das características.
     • Regularização de Ortogonalidade e Norma Nuclear: Previne o colapso da representação e incentiva subespaços diversos e complementares.

3. Fusão por Atenção Cruzada Hierárquica:
   As características alinhadas são fundidas por meio de um mecanismo de atenção progressivo que imita o raciocínio clínico:

   • Etapa I (Raciocínio Periférico): Embeddings de baixa e média escala trocam pistas de fronteira e textura.
   • Etapa II (Assimilação de Contexto): Embeddings de escala global interagem com características locais refinadas para modular pistas de alta granularidade com um contexto mais amplo.
   • Etapa III (Integração): Um codificador Transformer hierárquico integra a sequência fundida, aplicando regularização $l_2$ nos pesos de atenção para prevenir foco excessivamente confiante, antes da classificação final.

Principais Contribuições

• Framework Hierárquico: O artigo introduz uma rede 3D Macro-Meso-Micro (M3) guiada clinicamente que alinha o raciocínio do modelo ao fluxo de trabalho cognitivo do radiologista, avançando de detalhes finos para o contexto global.
• Fusão Progressiva Multiescala: O método constrói entradas multiescala progressivas e emprega codificadores específicos de escala com projeção de espaço latente e maximização de informação mútua para garantir consistência semântica entre escalas.
• Desempenho de Estado da Arte: Experimentos extensivos demonstram que o M3Net supera as bases existentes (incluindo 3D-CNNs, ResNets e modelos baseados em Transformer) tanto no conjunto de dados público LIDC-IDRI quanto em um conjunto de dados clínico coletado internamente (USTC-FHLN).
• Explicabilidade por Design: Diferentemente de métodos post-hoc, a arquitetura do modelo suporta inerentemente a explicabilidade ao estruturar a extração de características para espelhar etapas diagnósticas clínicas, facilitando a verificação cruzada humano-máquina.

Resultados Experimentais
Os autores avaliaram o M3Net em dois conjuntos de dados:

• LIDC-IDRI: O M3Net alcançou uma precisão de 86,96%, superando a melhor base (ResNet-18 em 82,67% e DeepLung em 83,70%) em 3,26%. Também alcançou a maior pontuação F1 (86,66%) e Precisão Balanceada (80,12%).
• USTC-FHLN (Dados Clínicos): O modelo alcançou uma precisão de 84,24%, superando a melhor base em 2,17%.
• Estudos de Ablação:
  • A remoção de qualquer escala única (Micro, Meso ou Macro) resultou em degradação de desempenho, confirmando o valor complementar da informação multiescala.
  • A perda de alinhamento completa (incluindo termos de covariância, ortogonalidade e norma nuclear) foi crítica, com a perda de norma nuclear contribuindo significativamente para a consistência global.
  • Visualizações Grad-CAM indicaram que o M3Net produz mapas de atenção mais estáveis e espacialmente concentrados ao redor das regiões de nódulos em comparação com as bases, que frequentemente exibiam ativação dispersa sobre tecidos circundantes.

Significado e Alegações
O artigo afirma que o M3Net fornece uma solução robusta e clinicamente relevante para a classificação de nódulos pulmonares, preenchendo a lacuna entre a IA orientada a dados e a prática clínica. Ao incorporar a lógica diagnóstica hierárquica do radiologista na arquitetura da rede, o modelo não apenas alcança precisão superior, mas também oferece um processo de raciocínio estruturado e interpretável. Os autores postulam que essa abordagem aumenta a confiabilidade do diagnóstico assistido por IA, permitindo que os médicos avaliem as previsões a partir de uma perspectiva fisiopatológica. Embora o framework esteja atualmente focado em nódulos pulmonares, os autores sugerem que o paradigma de raciocínio hierárquico macro-meso-micro poderia ser estendido para outras tarefas de imagem médica centradas em lesões, como análise de lesões hepáticas e avaliação de massas mamárias, desde que adaptações específicas para a tarefa sejam realizadas.