Resumo Técnico: Medindo e Mitigando o Colapso de Template em Geração de Relatórios de TC 3D

1. Declaração do Problema: Colapso de Template (Template Collapse)

O artigo identifica um modo de falha crítico em modelos modernos de visão-linguagem (VLMs) 3D usados para geração de relatórios radiológicos, denominado Colapso de Template. Embora esses modelos produzam relatórios linguisticamente fluentes que pontuam bem em métricas padrão de PLN (ex: BLEU, ROUGE), eles exibem uma acurácia clínica e diversidade de saída criticamente baixas.

Em vez de gerar descrições específicas para o paciente, os VLMs autorregressivos tendem a convergir para um pequeno conjunto de templates genéricos e "normais". Este comportamento é impulsionado pelas restrições únicas da imagem médica 3D:

• Escassez de Dados: Conjuntos de dados de relatórios de TC 3D são significativamente menores do que os de raio-X de tórax 2D.
• Desequilíbrio de Rótulos: Achados patológicos são extremamente esparsos; a maioria dos achados está ausente em qualquer varredura individual.
• Sinais Fracos: Codificadores volumétricos lutam para alinhar grandes volumes 3D com semântica clínica refinada.

Sob estas condições, os objetivos padrão de previsão do próximo token incentivam o "aprendizado de atalhos" (shortcut learning). Os modelos aprendem a reproduzir frases frequentes e genéricas (frequentemente descrevendo anatomia normal) para maximizar métias de fluência, enquanto suprimem achados patológicos raros, porém críticos. Isso resulta em relatórios linguisticamente plausíveis, mas diagnosticamente informativos ou até prejudiciais devido à omissão de anormalidades.

2. Metodologia: Estrutura CLarGen

Para abordar o Colapso de Template, os autores propõem o CLarGen, uma estrutura desacoplada que separa explicitamente a detecção clínica (o que dizer) da síntese de linguagem (como dizer). Ao contrário das abordagens de ajuste fino (fine-tuning) de ponta a ponta, o CLarGen opera em três estágios distintos:

Estágio 1: Transformador de Consulta Latente (LQT) para Percepção Clínica

• Arquitetura: Um codificador de imagem 3D congelado (ex: HLIP) produz características $Z$. Um Transformador de Consulta Latente com $C=18$ consultas de patologia aprendíveis atende a essas características via atenção cruzada (cross-attention).
• Mecanismo: Cada consulta corresponde a uma patologia específica (ex: derrame pleural, atelectasia). O modelo extrai evidências específicas de patologia e modela correlações entre achados via autoatenção.
• Treinamento: O LQT é treinado com uma perda focal (focal loss) para lidar com o desequilíbrio extremo de classes, otimizando a detecção de patologias multirrótulo independentemente da geração de linguagem.

Estágio 2: Recuperação Guiada por Patologia

• Objetivo: Recuperar relatórios exemplares que são visualmente semelhantes à TC de consulta mas, crucialmente, clinicamente consistentes com as patologias previstas do Estágio 1.
• Pontuação: Uma pontuação de alinhamento clínico ($s_{find}$) é computada para recompensar relatórios que contêm achados previstos de alta probabilidade e penalizar aqueles que contêm achados improváveis.
• Seleção: Um algoritmo de seleção gananciosa consciente de cobertura escolhe iterativamente $k$ exemplares para garantir que o conjunto recuperado cubra coletivamente todas as patologias previstas de alta confiança, evitando a recuperação de apenas templates "normais".

Estágio 3: Síntese de LLM Médico Congelado

• Arquitetura: Um LLM médico pré-treinado de grande escala (MedGemma-27B) é mantido congelado durante o treinamento.
• Entrada: O LLM recebe:
  1. Rótulos de patologia previstos do LQT.
  2. Os $k$ relatórios exemplares recuperados.
  3. Metadados do paciente (idade, sexo).
• Raciocínio: O LLM sintetiza o relatório final raciocinando sobre os achados detectados e o contexto recuperado. Manter o LLM congelado evita que ele sofra overfitting para atalhos específicos do conjunto de dados ou aprenda o viés do "template normal", preservando suas capacidades de raciocínio clínico pré-treinadas.

3. Principais Contribuições

1. Identificação do Colapso de Template: O artigo caracteriza formalmente um modo de falha onde os VLMs sacrificam a precisão diagnóstica pela fluência, convergindo para templates genéricos e suprimindo achados raros.
2. Medição Sistemática: Os autores propõem uma estrutura de diagnóstico multidimensional para medir essa falha, incluindo:
   • Fidelidade Clínica: Macro-F1, Precisão, Recall e pontuações CRG.
   • Diversidade de Saída: Pontuações Distinct-n e vocabulário de n-grama efetivo ($effV_n$) para detectar degeneração semântica.
   • Análise de Viés: Similaridade de Viés Normal (NBS) e métricas de sobrevivência estratificadas por prevalência ($Survrare$ vs. $Survcommon$) para quantificar a supressão de patologias raras.
3. Estrutura CLarGen: Uma pipeline de geração aumentada por recuperação e guiada por patologia que desacopla percepção de síntese, demonstrando que o embasamento clínico explícito é necessário para mitigar o colapso de template.

4. Resultados Experimentais

A estrutura foi avaliada no conjunto de dados CT-RATE (25.678 estudos de TC de tórax) contra baselines de última geração (CT-CHAT, SAMF, Reg2Rg, HULU-Med).

• Acurácia Clínica: O CLarGen alcançou um Macro-F1 de 0,486 e uma pontuação CRG de 0,472, superando significativamente o melhor baseline (HULU-Med, F1=0,194). Isso representa uma melhoria de ~150% na acurácia de detecção clínica.
• Sobrevivência de Achados Raros: Os baselines mostraram um hiato massivo entre o recall de patologias comuns e raras (ex: SAMF teve recall de 0,000 para achados raros). O CLarGen alcançou um desempenho equilibrado com $Survrare$= 0,628** e **$Survcommon$ = 0,622, recuperando efetivamente achados raros na mesma taxa que os comuns.
• Diversidade: Os baselines exibiram vocabulários de n-grama efetivos baixos (ex: SAMF $effV_2$ = 271 vs. Ground Truth 2402), indicando forte dependência de templates. O CLarGen atingiu 76% do repertório de bigramas efetivos do ground truth.
• LLM-as-a-Judge: Enquanto os baselines pontuaram alto em "Estilo Radiológico", eles caíram drasticamente em "Acurácia Factual" e "Segurança Clínica". O CLarGen manteve pontuações altas em todas as dimensões, incluindo estilo.
• Escalabilidade do Codificador Visual: Ao contrário dos VLMs de ponta a ponta, cujos desempenhos estagnaram independentemente da qualidade do codificador, o desempenho do CLarGen escalou fielmente com codificadores visuais mais fortes (recuperando 89-95% do potencial bruto de detecção).

5. Significância e Alegações

O artigo argumenta que o embasamento clínico explícito e mensurável é essencial para a geração robusta de relatórios de TC 3D. Os autores afirmam que:

• Objetivos padrão de otimização de texto são insuficientes para tarefas médicas onde a precisão é primordial; eles inerentemente enviesam os modelos para templates "normais" frequentes em regimes de baixo sinal e alto desequilíbrio.
• Desacoplar a percepção clínica (detecção) da síntese de linguagem permite que o sistema atenda a sinais visuais fracos que pipelines conjuntos ignoram.
• Manter o LLM congelado evita que o modelo aprenda atalhos específicos do conjunto de dados, garantindo que ele atue como um módulo de raciocínio genuíno em vez de um preditor de correspondência de padrões.

Os autores concluem que a geração confiável de relatórios de TC 3D requer ir além de uma geração de texto mais forte e, em vez disso, priorizar a integração de evidências clínicas explícitas. Eles reconhecem limitações em relação ao escopo atual (apenas conjunto de dados CT-RATE) e a dependência da qualidade dos codificadores médicos 3D de upstream.