Acquisition state behaves as a structured, measurable variable governing lung-nodule AI: kernel-driven measurement instability and noise-driven detection fragility, invisible to DICOM metadata

Resumo Técnico: O Estado de Aquisição como uma Variável Estruturada e Mensurável em IA de Nódulos Pulmonares

Definição do Problema
Os atuais frameworks de governança para IA de imagem médica, como o parâmetro de prática ACR–SIIM de 2026 e o registro ACR Assess-AI, concentram-se primariamente em métricas de saída (concordância entre IA e laudo) e metadados DICOM. Esses programas assumem que, se a saída mudar, a causa pode ser inferida a partir de campos de cabeçalho ou dados demográficos do paciente. No entanto, essa abordagem falha ao não abordar uma lacuna crítica: se os estudos recebidos permanecem dentro do envelope de aquisição específico sob o qual o modelo foi validado.

O problema central é que o estado de aquisição (ex: kernel de reconstrução, dose, espessura de corte) muitas vezes não é totalmente recuperável dos metadados DICOM. Descritores de cabeçalho idênticos (ex: "STANDARD" para a tag ConvolutionKernel) podem mascarar reconstruções de imagem vastamente diferentes (ex: retroprojeção filtrada vs. reconstrução iterativa). Consequentemente, sistemas de monitoramento podem detectar deriva de desempenho (performance drift), mas não conseguem atribuí-la a mudanças de aquisição versus mudanças de perfil de casos (case-mix), nem podem distinguir entre diferentes tipos de modos de falha (erro de medição vs. falha de detecção).

Metodologia
O estudo utilizou um modelo MONAI RetinaNet congelado (treinado no LUNA16) para avaliar a detecção e medição de nódulos pulmonares em três configurações experimentais:

1. Pares de Kernels do Mundo Real (NLST): Os autores analisaram 155 nódulos pareados do National Lung Screening Trial (NLST), comparando reconstruções de kernel suave (B30f) e kernel agudo (B80f) das mesmas aquisições brutas. Eles mediram alterações no diâmetro reportado pela IA, confiança de detecção e "cruzamentos de categoria de tamanho de Fleischner" (onde um desvio de tamanho altera as recomendações de acompanhamento clínico). Uma coorte expandida de 367 nódulos foi utilizada para análise estratificada.
2. Perturbações Controladas de Eixo Único (LIDC-IDRI): Utilizando um motor de degradação guiado pela física, os autores aplicaram perturbações isoladas às imagens de base:
   • Eixo de Ruído: Redução de dose.
   • Eixo de Frequência: Mudanças no kernel de reconstrução.
   • Eixo de Resolução: Mudanças na espessura de corte.
     Isso permitiu o isolamento de modos de falha específicos associados a cada eixo físico.
3. Impressão Digital de Aquisição (Acquisition Fingerprinting): Uma impressão digital de 4 características ao nível do pixel (ruído $\sigma$, nitidez do gradiente, razão de alta/baixa frequência, correlação de vizinhança) foi computada para caracterizar o estado de aquisição diretamente dos pixels da imagem. Isso foi comparado contra a tag DICOM ConvolutionKernel utilizando um fantoma CT QIBA e dados de CT reais.
4. Transportabilidade entre Fabricantes (Cross-Vendor Transportability): Para testar se o estado de aquisição é específico de um scanner ou uma variável compartilhada, os autores analisaram 737 nódulos pareados de quatro fabricantes (GE, Philips, Siemens, Toshiba). Eles examinaram a direção dos desvios de características (suave-para-agudo) e realizaram testes de classificação leave-one-vendor-out (LOVO).

Resultados Principais

• Dissociação de Modos de Falha: Os efeitos de aquisição são estruturados e específicos por eixo, não um único escalar de "qualidade".
  • Eixo de Frequência/Kernel: Impulsiona a instabilidade de medição. Alterar apenas o kernel deslocou o diâmetro do nódulo medido pela IA (média $|\Delta| = 0,27$ mm) e causou inversões de categoria de tamanho de Fleischner em 5,2% dos nódulos (concentrados na faixa de 6–10 mm). Crucialmente, a confiança de detecção permaneceu estatisticamente inalterada ($p=0,22$).
  • Eixo de Ruído: Impulsiona a fragilidade de detecção. A redução de dose (ruído) degradou significativamente a confiança de detecção ($p = 5,9 \times 10^{-32}$), particularmente para nódulos pequenos (<6 mm), mas teve efeito negligenciável na medição.
• Cegueira de Metadados: A impressão digital de aquisição derivada de pixels classificou com sucesso a identidade da reconstrução (AUC ao nível do paciente $\approx 0,95$ em CT real; 0,995 no fantoma QIBA). Em contraste, a tag DICOM ConvolutionKernel foi inconclusiva, frequentemente atribuindo rótulos idênticos a reconstruções que produziam comportamentos divergentes da IA.
• Transportabilidade entre Fabricantes: O "eixo de kernel" é uma coordenada compartilhada, não uma idiossincrasia específica de um fabricante.
  • Os vetores de desvio suave-para-agudo foram quase paralelos entre todos os quatro fabricantes (similaridade de cosseno par a par de 0,91–0,96).
  • Um discriminador de kernel treinado em três fabricantes alcançou AUCs de 0,94–0,98 no quarto fabricante retido, igualando o teto de desempenho intra-fabricante. Isso sugere que o estado de aquisição é uma variável transportável.

Significância e Alegações
O artigo argumenta que o estado de aquisição deve ser tratado como uma variável estruturada e mensurável, com eixos distintos (frequência e ruído) que governam distintos modos de falha da IA.

• Medição vs. Detecção: O conteúdo de frequência governa a confiabilidade da medição (risco de inversão de categoria de tamanho), enquanto o ruído governa a sensibilidade de detecção (risco de perda de pequenos nódulos). São modos de falha distintos que o monitoramento atual baseado apenas em saída não consegue desmembrar.
• Validação do Lado de Entrada: Como o sinal discriminante reside nos pixels e não nos metadados, o monitoramento de deriva eficaz e os testes de aceitação requerem uma validação do lado de entrada, consciente da aquisição. Os programas atuais podem detectar que o desempenho mudou, mas não conseguem determinar por que (ou seja, se a distribuição de entrada saiu do envelope de validação).
• Generalização: A descoberta de que o eixo de kernel é transportável entre fabricantes implica que os envelopes de aquisição caracterizados em uma frota de scanners podem não precisar ser rederivados do zero para outro, desde que os eixos físicos subjacentes sejam compartilhados.

Limitações
Os autores observam que o estudo é limitado a uma única arquitetura de detector (RetinaNet) e predominantemente a nódulos sólidos. O braço de detecção é enquadrado como um "precursor de confiança" e não como uma taxa de erro demonstrada, uma vez que as omissões totais foram raras nas perturbações testadas. Além disso, embora a estrutura dos efeitos de aquisição se transfira entre dados simulados e reais, as magnitudes não o fazem; as simulações superestimaram desvios geométricos, mas subestimaram mudanças texturais de ruído. Finalmente, a transportabilidade da impressão digital de nível de pixel (em oposição aos embeddings internos do modelo) entre fabricantes permanece um assunto para trabalhos futuros.