Resumo Técnico: GRAPE – Explicações de Protótipos Aumentadas por Grafos para Diagnóstico Interativo de Imagens Médicas

Declaração do Problema

Embora os modelos de aprendizagem profunda tenham alcançado uma precisão de nível radiológico em imagens médicas, sua adoção clínica é dificultada pela falta de interpretabilidade e pelos riscos de segurança associados ao feedback interativo. Os modelos atuais baseados em protótipos, que oferecem interpretabilidade ao comparar imagens com exemplos visuais aprendidos, sofrem de três limitações estruturais específicas:

1. Modelagem de Conceitos Independentes: As cabeças de tarefa atuais tratam achados clínicos como independentes, ignorando coocorrências anatômicas conhecidas (ex: tuberculose ativa e formação de cavidade), descartando, assim, a estrutura clinicamente significativa.
2. Interação Espacial Insegura: Quando os médicos fornecem feedback corretivo (ex: desenhando uma caixa delimitadora), o sistema aplica esse feedback cegamente. Se o modelo estiver confuso e associar um conceito diferente à região indicada, o feedback amplifica silenciosamente os erros, criando riscos à segurança do paciente.
3. Vocabulário Fechado: Adicionar um novo achado clínico (ex: uma variante rara) requer o retreinamento completo do atlas de protótipos, o que é proibitivamente caro em ambientes clínicos.

Metodologia: A Arquitetura GRAPE

O GRAPE propõe um framework de treinamento unificado de quatro estágios que integra supervisão de conceitos, aprendizagem de protótipos contrastivos, alinhamento de Modelo de Linguagem-Visão (VLM) e classificação estruturada em grafos. A arquitetura consiste em três módulos principais:

Módulo A: Cabeça de Tarefa de Atenção de Grafo

Para abordar a independência dos conceitos, o GRAPE constrói um grafo de coocorrência baseado em dados a partir de rótulos de treinamento.

• Construção do Grafo: Uma matriz de probabilidade condicional $K \times K$ é derivada do conjunto de treinamento, representando $P(k | k')$. Esta matriz é submetida a um limiar para criar um grafo de adjacência direcionado com auto-loops.
• Rede de Atenção de Grafo (GAT): Em vez de uma camada linear plana, o modelo emprega duas camadas de Redes de Atenção de Grafo (GAT). As características iniciais dos nós são os escores de similaridade dos protótipos ($s_{k,:}$). A GAT refina esses escores via mecanismos de atenção aprendidos antes de passá-los para uma leitura de Layer-Norm–Dropout–Linear para classificação. Isso permite que o modelo aproveite as correlações anatômicas entre achados.

Módulo B: Verificação de Segurança de Descompasso de Conceito

Este módulo introduz um mecanismo de segurança para evitar a amplificação de feedback médico errôneo.

• Mecanismo: Quando um médico desenha uma caixa delimitadora ($B$) para reforçar um conceito específico ($k^*$), o sistema calcula a média de similaridade ($\bar{s}_k(B)$) para todos os conceitos dentro dessa região usando a média espacial dos mapas de similaridade de protótipos.
• Lógica de Segurança: O sistema identifica o conceito dominante ($k^\dagger$) dentro da caixa. Se $k^\dagger \neq k^*$ e a diferença na similaridade média exceder um limiar ($\eta = 0,05$), um aviso de segurança é emitido. O feedback é retido até que o médico confirme a correção.
• Sinal de Variância: O sistema utiliza mapas de variância de protótipos ($U_k$) para detectar evidências ambíguas, orientando o mascaramento de protótipos durante o treinamento e servindo como um sinal determinístico para verificações de segurança na inferência (evitando o overhead de amostragem de métodos de incerteza Bayesiana).

Módulo C: Ancoragem de Protótipo de Vocabulário Aberto

Para eliminar o gargalo de vocabulário fechado, o GRAPE alinha protótipos visuais a embeddings de texto congelados.

• Alinhamento: Uma projeção aprendível ($W_{txt}$) mapeia os embeddings de texto de um codificador BioViL-T congelado para o espaço de protótipos visuais. Uma perda de alinhamento ($L_{align}$) puxa os protótipos visuais em direção aos seus âncoras de texto.
• Adição Zero-Shot: No momento do teste, novos conceitos podem ser adicionados sem retreinar o backbone ou outros componentes. Um clínico inicializa protótipos para um novo conceito usando o âncora de texto perturbado por ruído Gaussiano. Esses protótipos tornam-se imediatamente utilizáveis para inferência ou podem ser adaptados com alguns exemplos rotulados via ajuste fino local de conceito.

Principais Contribuições

1. Raciocínio Estruturado em Grafo: A introdução de uma Cabeça de Tarefa de Atenção de Grafo que modela a coocorrência de conceitos, melhorando o macro-F1 em +13,8 pontos percentuais sobre os baselines de protótipos no dataset TBX11K.
2. Mecanismo de Segurança: O primeiro "Check de Descompasso de Conceito" em classificadores médicos baseados em protótipos. Ele detecta quando o rótulo pretendido pelo médico conflita com a evidência visual dominante do modelo em uma região, capturando 85% das anotações errôneas (vs. 51% para MC-Dropout) sem custo adicional de inferência.
3. Extensão de Vocabulário Aberto: Um mecanismo para adicionar novos achados clínicos a partir de uma única imagem rotulada (ou descrição de texto) sem modificar os componentes existentes do modelo.
4. Fidelidade Espacial: Os mapas de protótipos alcançam 2,6$\times$ melhor localização de lesão (Pointing Game) do que os baselines end-to-end no TBX11K, demonstrando que a interpretabilidade não exige o sacrifício da precisão espacial.
5. Eficiência: Todas as três capacidades adicionam apenas +1 ms de latência em tamanhos de lote interativos, satisfazendo requisitos de interação em tempo real.

Resultados Experimentais

Os autores avaliaram o GRAPE no TBX11K (detecção de TB de 3 classes) e NIH ChestX-ray14 (detecção de achados de 14 classes).

• Desempenho de Classificação: No TBX11K, o GRAPE (com GNN e módulos de Incerteza) alcançou um Macro F1 de 0,866 ± 0,042, superando significativamente o baseline CSR (0,728 ± 0,050) com um p-valor de 0,0013. O ganho é atribuído principalmente à cabeça GNN.
• Localização (Pointing Game): O GRAPE alcançou um score de Pointing Game de 0,140 no TBX11K, comparado a 0,055 para Modelos de Gargalo de Conceito (CBM) e 0,053 para PIP-Net. Isso indica um alinhamento superior entre a atenção do modelo e as localizações de lesões reais.
• Eficácia do Check de Segurança: Em cenários de erro simulados, o check de segurança detectou 85,1% das caixas mal desenhadas com uma taxa de Falso Positivo de 16,4%.
• Capacidade Zero-Shot: No NIH ChestX-ray14, uma única imagem rotulada para o conceito "Effusion" permitiu que o modelo recuperasse 100% da precisão de Pointing Game de supervisão total. No TBX11K, o aprendizado de 1-shot recuperou 41% da precisão de supervisão total.
• Fidelidade: Avaliações de AUC de Inserção/Deleção confirmaram que os mapas de similaridade de protótipos capturam regiões espaciais genuinamente preditivas, superando os baselines padrão em AUC de Inserção.

Significância e Alegações

O artigo posiciona o GRAPE como um passo em direção a uma IA interativa mais segura, adaptável e clinicamente viável.

• Confiança Clínica: Ao prevenir a amplificação silenciosa de erros através do Check de Descompasso de Conceito, o sistema aborda um modo de falha crítico na IA médica com humano no loop (human-in-the-loop).
• Adaptabilidade: A capacidade de Vocabulário Aberto reduz a barreira de entrada para ambientes com recursos limitados, permitindo que novos conceitos sejam introduzidos sem o custo proibitivo de retreinamento total.
• Interpretabilidade vs. Precisão: O trabalho demonstra que o raciocínio estruturado em grafos pode melhorar a precisão de classificação (macro-F1) enquanto mantém ou melhora a interpretabilidade espacial, desafiando o trade-off frequentemente assumido entre esses dois objetivos.

Os autores observam limitações, incluindo o fato de os scores absolutos do Pointing Game permanecerem baixos devido a incompatibilidades de resolução (mapas de 7x7 vs. caixas de 224x224) e a necessidade de mais validação em subgrupos demográficos. Eles enfatizam que o sistema é um protótipo de pesquisa e ainda não foi implantado em ambientes clínicos.