How Far Has AI Come in Liver Fibrosis Staging? A Large-Scale Real-World Dataset and Benchmark

Resumo Técnico: Benchmark LiFS para Estadiamento de Fibrose Hepática

Declaração do Problema
Apesar do progresso metodológico significativo em aprendizado profundo para análise de imagens médicas, a prontidão clínica da Inteligência Artificial (IA) para estadiamento de fibrose hepática permanece não quantificada sob condições do mundo real. Os benchmarks existentes são tipicamente limitados a ambientes controlados de centro único com dados curados, falhando em capturar a heterogeneidade da prática clínica multi-scanner. Além disso, há uma falta de grandes conjuntos de dados que apresentem sequências completas de ressonância magnética com contraste de ácido gadoxético (GED) (incluindo a fase hepatobiliar, HBP) acopladas a rótulos de estadiamento confirmados por histopatologia. Consequentemente, não está claro o quanto a IA atual avançou em direção a igualar o desempenho de radiologistas praticantes ou quão robustos são esses sistemas a deslocamentos de domínio entre centros, desequilíbrios de rótulos e modalidades ausentes.

Metodologia e Construção do Conjunto de Dados
Para abordar essas lacunas, os autores introduzem o LiFS (Estadiamento de Fibrose Hepática), um conjunto de dados e benchmark de grande escala e multi-centro derivados do desafio CARE-Liver realizado com o MICCAI 2025.

• Composição do Conjunto de Dados: O LiFS compreende 610 pacientes de três centros clínicos e quatro scanners de ressonância magnética diferentes (variando fabricantes e forças de campo: 1,5T e 3,0T). O conjunto de dados inclui 4.174 volumes de RM 3D e mais de 218.000 fatias.
• Protocolos de Imageamento: Os dados cobrem RM multi-sequência: ponderada em T1 (T1W), ponderada em T2 (T2W), Imagem Ponderada por Difusão (DWI) e imageamento GED de quatro fases (fases arterial, venosa portal, tardia e hepatobiliar).
• Verdade Terrena: Os rótulos de estadiamento baseiam-se no sistema de graduação de Scheuer (S1–S4), confirmados por histopatologia de biópsias ou ressecções cirúrgicas realizadas dentro de três meses após o exame de RM.
• Imperfeições do Mundo Real: O conjunto de dados inclui intencionalmente desalinhamento espacial entre sequências, modalidades ausentes devido a falhas de aquisição e heterogeneidade significativa entre centros.
• Desenho Experimental: O benchmark avalia 9 métodos desenvolvidos independentemente, selecionados entre 96 equipes registradas. A avaliação é conduzida em:
  • Conjunto de Teste In-Distribution (ID): Dados da mesma distribuição que o treinamento.
  • Conjunto de Teste Out-of-Distribution (OOD): Dados de um scanner e centro completamente não vistos (Fabricante C) para avaliar a generalização.
  • Subtarefas: Detecção de Cirrose (S4 vs. S1–3) e Detecção de Fibrose Significativa (S1 vs. S2–4).
  • Configurações: Com Contraste (todas as sequências) e Sem Contraste (apenas T1W, T2W, DWI).
• Referência Clínica: Dois radiologistas certificados por conselho (com 3 e 8 anos de experiência) pontuaram independentemente os mesmos casos usando um esquema de pontuação qualitativa de RM de 7 pontos, fornecendo uma referência intra-coorte para comparação IA versus humano.

Principais Contribuições

1. Conjunto de Dados LiFS: O primeiro conjunto de dados de grande escala e multi-centro que apresenta sequências GED completas (incluindo HBP) e estadiamento de fibrose confirmado por histopatologia de scanners diversos do mundo real.
2. Benchmark Abrangente: Um framework de avaliação unificado que compara métodos de IA contra o desempenho de radiologistas sob condições tanto correspondentes (ID) quanto deslocadas (OOD).
3. Análise Empírica: Uma análise sistemática de nove métodos de alto desempenho para identificar fatores que influenciam a prontidão clínica, incluindo dimensionalidade de entrada, estratégias de fusão e arquiteturas de backbone.

Resultados

• IA vs. Radiologistas:
  • Sob condições ID, os melhores métodos de IA alcançaram AUCs comparáveis ao radiologista sênior (Expert-8Y) e superaram significativamente o radiologista júnior (Expert-3Y). Por exemplo, na configuração ID com contraste, o melhor IA alcançou um AUC de 86,16% (Subtarefa 1), superando os 81,83% do Expert-8Y.
  • Sob condições OOD, o desempenho tornou-se heterogêneo. Embora os melhores métodos de IA permanecessem comparáveis ao radiologista sênior em várias configurações, o desempenho mediano da IA geralmente caiu para níveis de radiologista júnior ou abaixo.
  • Significância: A IA de ponta pode aproximar-se do desempenho do radiologista sênior em configurações correspondentes, mas a consistência em nível clínico ainda não foi alcançada através de deslocamentos de distribuição.
• Desafios da Perspectiva de Dados:
  • Heterogeneidade entre Centros: A maioria dos métodos sofreu degradação substancial de desempenho ao migrar dos conjuntos ID para os OOD.
  • Desequilíbrio de Rótulos: Na Subtarefa 2 (S1 vs. S2–4), o desequilíbrio severo de classes (S2–4 constituindo ~93% dos dados OOD) levou a um "colapso do modelo", onde muitos métodos alcançaram alta Acurácia (>85%) ao prever a classe majoritária, mas falharam em alcançar alto AUC.
  • Sequências com Contraste: A inclusão de sequências GED (especialmente HBP) produziu resultados mistos. Enquanto alguns métodos melhoraram significativamente sob condições OOD (sugerindo que a HBP captura informações funcionais invariantes a deslocamentos de scanner), outros degradaram, indicando um dilema prático na utilização da HBP sem aquisição padronizada.
• Desafios da Perspectiva Técnica:
  • Pré-registro: Métodos que incorporaram registro espacial rígido alcançaram maior desempenho ID, sugerindo que o alinhamento é crucial para a fusão multi-modal.
  • Dimensionalidade de Entrada: Abordagens volumétricas 3D alcançaram maior desempenho ID, mas sofreram quedas OOD maiores em comparação com métodos baseados em patches 2D, provavelmente devido ao overfitting a priores espaciais específicos do fabricante.
  • Estratégia de Fusão: A fusão precoce (aprendizado de representação conjunta) mostrou a menor queda OOD, enquanto a fusão tardia (agregação em nível de decisão) sofreu a maior degradação.
  • Arquitetura de Backbone: Modelos baseados em Transformer demonstraram robustez OOD ligeiramente melhor em comparação com CNNs, potencialmente devido à sua capacidade de capturar dependências de longo alcance.

Significância e Afirmações
O artigo afirma que o LiFS fornece o primeiro benchmark rigoroso e do mundo real para medir o estado atual da IA no estadiamento de fibrose hepática. Os autores concluem que, embora a IA tenha alcançado um nível clinicamente significativo em configurações selecionadas e correspondidas — potencialmente apoiando o estadiamento não invasivo e reduzindo a dependência de biópsias em cenários específicos — sua robustez permanece insuficiente para implantação confiável em ambientes clínicos heterogêneos.

O benchmark expõe uma lacuna crítica entre alto desempenho em dados de teste curados e IA clinicamente confiável. Os autores enfatizam que pesquisas futuras devem priorizar a generalização entre centros, o tratamento do desequilíbrio de rótulos e o desenvolvimento de estratégias de modelagem multi-modal robustas que possam navegar pela variabilidade das sequências com contraste e diferenças de scanners. O LiFS serve como uma plataforma para guiar esta próxima etapa de pesquisa em direção a soluções clinicamente implantáveis.