Which Anatomy Matters Under Limited Labels? A Data-Efficient Anatomy-Aware Benchmark for Cardiac Pathology Prediction

Resumo Técnico: Qual Anatomia Importa sob Rótulos Limitados?

Definição do Problema
No domínio da imagem médica, particularmente sob condições de rótulos limitados e recursos computacionais restritos, uma questão crítica permanece sem resolução: os ganhos de desempenho são impulsionados primariamente pela complexidade dos modelos de aprendizado de máquina ou pela qualidade da representação da anatomia clinicamente significativa? Enquanto pesquisadores frequentemente recorrem a modelos cada vez mais complexos para melhorar a precisão em regimes de poucos dados, não está claro se o gargalo reside na expressividade do modelo ou em como as estruturas clínicas são representadas. Esta questão é particularmente pertinente na imagem cardíaca, onde a patologia é expressa através de estruturas anatomicamente significativas, em vez de variações arbitrárias de entrada. Além disso, os gargalos práticos na saúde frequentemente se estendem além do design do modelo para a preparação de dados, anotação e infraestrutura de implantação, especialmente em ambientes com recursos limitados.

Metodologia
Para abordar isso, os autores construíram um benchmark reprodutível, de baixo volume de dados e consciente da anatomia, utilizando o conjunto de dados público de Desafio de Diagnóstico Cardíaco Automatizado (ACDC) de Ressonância Magnética (RM). O estudo foca em uma tarefa de predição de patologia balanceada de 5 classes envolvendo cardiomiopatia dilatada (DCM), cardiomiopatia hipertrófica (HCM), infarto do miocárdio (MINF), sujeitos normais (NOR) e ventrículo direito anormal (RV), compreendendo 100 sujeitos (20 por classe).

A metodologia central envolve:

1. Extração de Características Consciente da Anatomia: Em vez de usar imagens brutas, os autores derivam descritores de nível de paciente a partir de máscaras de segmentação de três estruturas anatômicas principais: o Ventrículo Direito (RV), o Miocárdio (MYO) e o Ventrículo Esquerdo (LV). Para cada estrutura, descritores de forma simples (ex: área, razão de aspecto, circularidade, elongação, compacidade, distância radial) são extraídos de máscaras binárias e agregados entre os cortes.
2. Estudo de Ablação: O benchmark avalia quatro configurações de características: apenas RV, apenas MYO, apenas LV e TODAS as estruturas (concatenação das três).
3. Comparação de Modelos: O estudo compara três famílias de modelos leves através dessas representações:
   • Regressão logística multinomial (Baseline linear).
   • RBF-SVM (Baseline de kernel não linear).
   • Random Forest (Baseline de árvore não linear).
4. Protocolo de Avaliação: Os modelos são avaliados via validação cruzada estratificada de 5 dobras, incluindo métricas como acurácia, acurácia balanceada e macro-F1. O estudo também investiga a eficiência de rótulos variando a fração de rótulos disponíveis, testa a utilidade de descritores dinâmicos inter-fases explícitos (delta/razão) e realiza verificações de sanidade via permutação de rótulos.

Principais Resultados
Os experimentos produzem várias descobertas distintas:

• A Representação Domina a Complexidade: Sob configurações de rótulos limitados, a escolha da representação anatômica tem um impacto significativamente maior no desempenho do que a escolha da família de classificadores. A variação no desempenho entre diferentes representações anatômicas (ex: apenas RV vs. apenas MYO) excede amplamente a variação observada entre modelos lineares, de kernel e de árvore uma vez que a representação é fixa.
• Dominância Miocárdica: Entre as representações de estrutura única, o Miocárdio (MYO) fornece o sinal preditivo mais forte, superando substancialmente as características de apenas RV e apenas LV. Isso sugere que o sinal patológico neste benchmark não é distribuído uniformemente, mas está concentrado na morfologia miocárdica.
• Desempenho Ótimo: Embora o MYO seja a melhor fonte de estrutura única, a representação combinada "TODAS as estruturas" produz o melhor desempenho geral.
• Valor Limitado de Dinâmicas Simples: Aumentar as características anatômicas estáticas com descritores de delta e razão inter-fases manuais não melhorou materialmente o desempenho sobre as representações estáticas multiestruturais. Isso sugere que, para este benchmark específico, a morfologia estática captura o sinal dominante, ou que os resumos dinâmicos simples foram muito comprimidos para capturar padrões de deformação espacial mais ricos.
• Robustez e Sanidade: O benchmark não é trivial nem dominado por ruído; o desempenho escala com a fração de rótulos e permanece bem acima do acaso. Verificações de sanidade (permutação aleatória de rótulos) resultaram em queda de desempenho para o nível do acaso (~0,23 de acurácia balanceada), confirmando que os ganhos derivam de sinais anatômicos genuínos. O pipeline também demonstrou robustez a perturbações de segmentação leves (erosão/dilatação).
• Comparação com Aprendizado de Ponta a Ponta: Um ResNet-18 leve de ponta a ponta treinado em cortes de RM bruta performou substancialmente pior (Acurácia Balanceada ~0,41) do que os baselines conscientes da anatomia (Acurácia Balanceada ~0,85–0,87), reforçando o valor da representação anatômica explícita em regimes de poucos rótulos.

Significância e Alegações
O artigo afirma que, em ambientes de saúde com recursos limitados, identificar e representar a anatomia mais informativa pode ser mais crítico do que aumentar a complexidade do modelo. Os autores argumentam que, para a predição de patologia cardíaca com poucos dados, a "escolha da representação importa mais do que a complexidade do classificador".

Especificamente, o trabalho sugere:

1. Insight Científico: O benchmark é impulsionado menos pela geometria genérica de todo o coração e mais pela morfologia específica de cada estrutura, com o miocárdio servindo como o componente individual mais informativo para as patologias estudadas.
2. Implicação Prática: Para aprendizado de máquina médico de baixo recurso, priorizar o miocárdio como um alvo anatômico único pode ser a estratégia mais eficaz para construir pipelines simplificados e eficientes em termos de computação quando os rótulos são escassos.
3. Impacto Abrangente: As descobertas apoiam uma mudança de perspectiva no design de IA médica, particularmente no Sul Global ou em ambientes com recursos de anotação limitados. Em vez de assumir que um melhor desempenho requer modelos de ponta a ponta mais pesados, os profissionais podem alcançar ganhos mais práticos ao identificar e representar explicitamente as estruturas anatômicas que carregam o sinal clinicamente significativo.

Os autores mantêm-se modestos quanto às limitações, observando que o estudo depende de um único conjunto de dados público, utiliza descritores manuais em vez de aprendizado de ponta a ponta de imagem bruta, e avalia a dinâmica apenas através de resumos inter-fases simples. Sugere-se que trabalhos futuros estendam este framework para conjuntos de dados adicionais, análise de incerteza e descritores temporais mais ricos.