Pulmonary Embolism Risk Stratification from CTPA and Medical Records: Vascular Graphs Are Not All You Need

Resumo Técnico: Estratificação de Risco de Embolia Pulmonar a partir de CTPA e Registros Médicos

Definição do Problema
A estratificação de risco para Embolia Pulmonar (EP) é essencial para determinar o manejo clínico, como a necessidade de cuidados intensivos ou terapia trombolítica. As diretrizes atuais baseiam-se em uma combinação de registros médicos, exames de sangue (troponina, NT-proBNP) e avaliação visual da Angiotomografia Computadorizada de Artérias Pulmonares (CTPA). No entanto, os exames de sangue são frequentemente indisponíveis durante o diagnóstico inicial, criando uma lacuna entre as diretrizes e a prática rotineira. Embora a CTPA seja a ferramenta diagnóstica padrão, seu uso para estratificação de risco é atualmente limitado à avaliação da disfunção do ventrículo direito (VD) em vez da carga de trombo. Os escores clínicos existentes para carga de trombo (ex: Qanadli, Mastora) exigem a localização manual dos trombos, o que é excessivamente demorado para o uso rotineiro. Embora o aprendizado profundo tenha automatizado a segmentação e detecção, modelos de visão padrão têm dificuldade com a natureza esparsa dos trombos e artérias para a predição de risco em nível de paciente. Este trabalho investiga se modelos de última geração podem estratificar o risco de EP com precisão usando apenas registros médicos e biomarcadores extraídos da CTPA, explorando especificamente se representações ricas de grafos vasculares pulmonares oferecem vantagens sobre características globais mais simples.

Metodologia
Os autores propõem um pipeline para categorizar o risco de EP em três classes (Baixo, Intermediário-baixo, Intermediário-alto) usando um conjunto de dados privado de 353 pacientes com dados unicamente completos. A metodologia envolve três estágios principais:

1. Pré-processamento de Dados e Extração de Características:

   • Processamento de CTPA: Imagens 3D de CTPA são processadas para segmentar os ventrículos cardíacos (VE/VD) e a árvore arterial pulmonar (incluindo trombos) usando TotalSegmentator e um pipeline customizado de nnUNet.
   • Construção de Grafo: A árvore arterial segmentada é convertida em um grafo específico do paciente onde junções/terminais são nós e vasos são arestas. As características das arestas incluem raio do vaso, comprimento, volume, profundidade e métricas relacionadas ao trombo (volume, obstrução).
   • Computação de Biomarcadores:
     • Biomarcadores Cardíacos: Derivados de máscaras ventriculares (volumes de VD/VE, razão VD/VE).
     • Biomarcadores Vasculares: Seis métricas de nível de paciente que resumem a carga de trombo (ex: volume total de trombo, escore de Qanadli, escores de Mastora) computadas a partir do grafo.
     • Registros Médicos: Dados estruturados incluindo fatores do escore sPESI, idade, frequência cardíaca, saturação de oxigênio, pressão arterial e histórico de câncer ou doença cardiopulmonar.

2. Arquiteturas de Modelos e Estratégias de Fusão:
   O estudo compara duas abordagens primárias para combinar registros médicos (características globais) com informações vasculares:

   • Modelos Tabulares: As características globais (registros médicos, biomarcadores cardíacos e biomarcadores vasculares) são concatenadas e inseridas em modelos baseados em árvores (XGBoost) e modelos de fundação (TabPFN).
   • Redes Neurais de Grafos (GNNs): As GNNs são aplicadas diretamente aos grafos vasculares. O estudo avalia:
     • GNNs Monomodais: Usando apenas o grafo.
     • Fusão Multimodal: Integrando características globais com o grafo usando quatro estratégias:
       • Fusão Precoce (Early Fusion): Concatenando características globais a cada nó.
       • Fusão Tardia (Late Fusion): Concatenando características globais à incorporação (embedding) final do grafo.
       • Nó Virtual (Proposto): Inicializando um nó virtual conectado a todos os nós do grafo usando características globais.
       • Atenção Cruzada (Proposto): Usando um Transformer de Grafo (backbone GPS) onde as características globais são tokenizadas e fundidas via atenção cruzada bidirecional com os tokens dos nós.

3. Configuração Experimental:

   • Conjunto de Dados: 353 pacientes com EP do CHU Saint-Étienne (2014–2020). Os rótulos de risco são derivados das diretrizes da ESC usando resultados de exames de sangue (não fornecidos ao modelo).
   • Avaliação: Validação cruzada de 10 dobras (divisão 80/10/10). O desempenho é medido pelo F1-score.
   • Ajuste de Hiperparâmetros: Busca exaustiva usando Optuna para backbones de GNN (GCN, GATv2, GIN, GPS) e configurações de fusão.

Principais Contribuições

1. Desenvolvimento de Pipeline: Introdução de um pipeline automatizado para estratificação de risco de EP que integra registros médicos estruturados com grafos vasculares de CTPA.
2. Benchmarking Abrangente: Uma comparação sistemática de modelos tabulares contra GNNs, testando dois métodos específicos de fusão intermediária (inicialização de Nó Virtual e Atenção Cruzada) para combinar características globais com grafos vasculares.
3. Investigação Empírica da Utilidade do Grafo: Uma análise de por que os grafos vasculares podem falhar na estratificação de risco, descartando overfitting e viés de rótulo como causas primárias.

Resultos

• Dominância de Características Globais: Registros médicos e biomarcadores cardíacos são os preditores mais significativos. O TabPFN atinge um F1-score de 86,3% usando registros médicos e biomarcadores cardíacos.
• Valor Limitado de Biomarcadores Vasculares: Adicionar biomarcadores vasculares (ex: escore de Qanadli) ao modelo tabular não melhora significativamente o desempenho (86,3% vs. 86,8% com apenas cardíaco; a adição de biomarcadores vasculares resultou em uma mudança negligenciável).
• Desempenho das GNNs: As GNNs aplicadas aos grafos vasculares sem características globais apresentam desempenho insatisfatório (F1 ~50-55%). Quando as características globais são adicionadas, as GNNs melhoram, mas não superam a forte linha de base tabular. A melhor configuração de GNN (GPS com Atenção Cruzada) atinge 83,8% de F1, o que é estatisticamente indistinguível da linha de base TabPFN (86,3%) e não representa uma melhoria significativa.
• Teste de Hipóteses:
  • Overfitting: Descartado; as lacunas de generalização foram consistentes com conjuntos de dados maiores.
  • Falha de Aprendizado: Descartado; as GNNs conseguiram realizar a regressão de biomarcadores vasculares (Volume Total de Êmbolo, escore de Qanadli) melhor do que os modelos tabulares, provando que podem aprender padrões de grafos.
  • Viés de Rótulo: Descartado; os erros do modelo não correlacionaram com casos ambíguos definidos por mudanças de versão das diretrizes.

Significância e Conclusão
O artigo apresenta o primeiro estudo avaliando a utilidade de grafos vasculares pulmonares para a estratificação de risco de EP. Contrariamente à intuição de que a topologia vascular detalhada e a carga de trombo aumentariam a predição de risco, os resultados sugerem que os grafos vasculares não fornecem informações discriminativas adicionais além dos registros médicos e biomarcadores cardíacos para esta tarefa específica.

Os autores concluem que, embora as GNNs possam aprender padrões complexos dentro do grafo vascular (como evidenciado pela regressão de biomarcadores), esses padrões não se traduzem em uma melhoria na estratificação de risco em nível de paciente quando comparados a características globais mais simples. Este achado desafia a suposição de que representações de grafos da vasculatura pulmonar são inerentemente superiores para esta aplicação clínica, sugerindo que os biomarcadores clínicos atuais e o histórico médico já capturam a informação de risco necessária. O código é disponibilizado para apoiar investigações futuras.