Anatomy-Slot: Unsupervised Anatomical Factorization for Homologous Bilateral Reasoning in Retinal Diagnosis

Resumo Técnico: Anatomy-Slot para Diagnóstico Retiniano Bilateral

Declaração do Problema
O diagnóstico retiniano é inerentemente uma tarefa clínica bilateral, onde os clínicos comparam estruturas homólogas (por exemplo, assimetria do disco óptico) entre os olhos esquerdo e direito para detectar doenças. No entanto, a maioria dos modelos de aprendizado profundo existentes opera sobre representações monoculares, tratando cada olho independentemente. Os autores hipotetizam que a classificação monocular baseada em textura é insuficiente para a detecção bilateral de doenças e que a comparação estrutural explícita é necessária para um desempenho alinhado clinicamente. Embora a modelagem bilateral e a decomposição de slots centrados em objetos existam independentemente na literatura, sua integração como unidades de correspondência explícita para raciocínio anatômico homólogo não foi testada empiricamente sob condições estatisticamente controladas.

Metodologia: Anatomy-Slot
O framework Anatomy-Slot proposto operacionaliza a hipótese de correspondência explícita entre os olhos através de um gargalo anatômico não supervisionado. O pipeline consiste nos seguintes componentes:

1. Backbone e Tokenização: Dado um par de imagens de fundoscopia bilaterais $(x_L, x_R)$, o modelo utiliza um backbone compartilhado RETFound ViT-L para extrair tokens de patches.
2. Fatorização Anatômica Não Supervisionada (Atenção em Slots): Para cada olho, os tokens de patches são decompostos em $K$ slots centrados em objetos usando Atenção em Slots (com $I=3$ iterações). Este processo inicializa os slots como parâmetros aprendíveis e atualiza-os via um mecanismo de atenção competitiva (softmax sobre slots, renormalizado sobre tokens) e um GRU, resultando em um conjunto de representações de slots $S \in \mathbb{R}^{K \times D}$ por olho.
3. Correspondência Bidirecional entre Olhos: Para alinhar estruturas homólogas, o modelo emprega atenção cruzada bidirecional. Os slots do olho esquerdo consultam os slots do olho direito (e vice-versa) usando atenção cruzada multi-cabeça ($H=8$). Isso permite que o modelo alinhe explicitamente os slots entre os olhos, criando uma representação consciente da correspondência.
4. Aprendizado com Objetivo Duplo: O modelo é treinado com um objetivo combinado:
   • Perda de Classificação ($L_{cls}$): Perda supervisionada padrão para diagnóstico de doenças.
   • Perda de Reconstrução ($L_{recon}$): Uma tarefa auxiliar não supervisionada onde cada slot prevê valores RGB por patch e logits de máscara. Um decodificador leve reconstrói uma imagem RGB de baixa resolução. Esta perda estabiliza a aprendizagem dos slots e previne o colapso dos slots.
   • Objetivo Total: $L = L_{cls} + 0.5 L_{recon}$.
5. Protocolo de Treinamento: O módulo de slots passa por pré-treinamento não supervisionado em um conjunto de ~20k imagens retinianas não rotuladas. Durante o ajuste fino supervisionado no conjunto de dados alvo, apenas o último bloco ViT e os parâmetros de normalização de camada são desbloqueados, enquanto as iterações dos slots são reduzidas para 3.

Principais Contribuições

• Arquitetura: Uma arquitetura bilateral inovadora baseada em slots, onde os slots servem como unidades de correspondência e a atenção cruzada facilita a troca explícita de informações entre os olhos.
• Rigor Estatístico: Um protocolo de avaliação robusto envolvendo $n=10$ sementes independentes, intervalos de confiança de 95% e testes pareados não paramétricos (teste de postos sinalizados de Wilcoxon) para garantir significância estatística.
• Análise Mecanística: Testes abrangentes investigando a dependência do modelo na correspondência, incluindo experimentos de perturbação de pareamento, testes de estresse sob ruído gaussiano e análise quantitativa da ancoragem do disco óptico.

Resultados
Avaliado no conjunto de dados ODIR-5K (diagnóstico multirrotulado bilateral), o método demonstra melhorias significativas sobre baselines correspondentes:

• Desempenho: O Anatomy-Slot alcança uma AUC macro de 0,865, uma melhoria de 4,2% sobre a baseline ViT-L correspondente (0,823). A melhoria é estatisticamente significativa ($W=0, p=0,002$).
• Estudos de Ablação:
  • Processamento bilateral sem slots produz apenas um ganho modesto (0,828 AUC).
  • Decomposição em slots sem interação entre os olhos apresenta desempenho inferior (0,754 AUC).
  • A remoção da perda de reconstrução causa colapso dos slots, degradando o desempenho para 0,729 AUC.
  • O desempenho do modelo completo atinge o pico em $K=8$ slots; menos slots sub-representam a anatomia, enquanto mais slots diluem a correspondência.
• Dependência da Correspondência: Quando o pareamento esquerda-direita é perturbado (embaralhado durante a avaliação), o desempenho do Anatomy-Slot cai 18,3 pontos (de 0,865 para 0,682), enquanto a baseline cai apenas 3,2 pontos. Isso apoia a hipótese de que o modelo depende do pareamento estrutural homólogo.
• Robustez: Sob ruído gaussiano ($\sigma=0,2$), o Anatomy-Slot mantém uma AUC de 0,685, superando tanto a baseline (0,578) quanto a variante "Sem Slots" (0,595).
• Ancoragem: No conjunto de dados REFUGE (transferência zero-shot), o modelo alcança uma Interseção sobre União média (mIoU) de 0,635 para localização do disco óptico usando o Slot 1, superando significativamente uma baseline de agrupamento de características K-Means (0,452).
• Separabilidade: A Razão de Fisher no espaço de representação penúltimo aumenta de 0,85 (baseline) para 1,62 (Anatomy-Slot), indicando melhoria na separabilidade de classes.

Significado e Alegações
O artigo alega que a modelagem explícita da correspondência entre os olhos via fatorização anatômica não supervisionada melhora significativamente o desempenho diagnóstico na detecção de doenças retinianas. Os resultados sugerem que o ganho de desempenho surge especificamente da combinação de slots estruturados centrados em objetos e alinhamento entre os olhos, e não apenas do processamento bilateral ou da decomposição em slots isoladamente.

Os autores posicionam este trabalho como um passo em direção a uma "IA retiniana alinhada clinicamente", demonstrando que os modelos podem aprender a depender do pareamento anatômico homólogo de maneira não supervisionada. As análises mecanísticas (perturbação de pareamento, localização de atenção) fornecem evidências de que o comportamento do modelo é consistente com o processo de raciocínio clínico de comparação de estruturas homólogas. Os autores reconhecem limitações, incluindo a avaliação principalmente em um único conjunto de dados e a necessidade de testes adicionais sobre desalinhamento clínico, mas concluem que a abordagem oferece um caminho para sistemas de suporte diagnóstico interpretáveis.