ClinRAG-GRAPH: Clinical-prior Retrieval-Augmented Graph Model with Domain Adversarial Learning for Breast pCR Prediction

Resumo Técnico: ClinRAG-GRAPH

Problema
A previsão precisa da resposta patológica completa (pCR) à quimioterapia neoadjuvante (NAC) no câncer de mama antes do tratamento é crítica para a estratificação do tratamento. No entanto, a previsão robusta pré-tratamento permanece um desafio devido a três limitações primárias nas abordagens existentes: (1) modelagem cross-modal insuficiente, onde operadores de fusão simples falham em explorar dependências estruturadas entre dados de imagem, clínicos e patológicos; (2) heterogeneidade de imagem multicêntrica, onde diferenças de scanner e protocolo introduzem vieses específicos de domínio que dificultam a generalização entre centros; e (3) uma falta de interpretabilidade fundamentada em evidências, uma vez que a maioria dos modelos gera probabilidades escalares sem recuperar evidências baseadas em casos para apoiar a tomada de decisão clínica.

Metodologia: ClinRAG-GRAPH
Os autores propõem o ClinRAG-GRAPH, um framework de Geração Aumentada por Recuperação com Gráficos (Graph) clinicamente informados, projetado para integrar DCE-MRI, variáveis clínicas estruturadas e biomarcadores patológicos derivados de biópsia. A arquitetura consiste em quatro componentes principais:

1. Construção de Grafo de Prior Clínico Semântico Hierárquico:
   Em vez de conectividade homogênea, o modelo constrói um grafo direcionado intra-paciente onde os nós representam variáveis de imagem e clínico/patológicas. As arestas são categorizadas em três níveis semânticos baseados em diretrizes clínicas e consenso de radiologistas:

   • Prior forte (Strong prior): Associações de alta confiança e fixas (ex: acoplamentos de biomarcadores moleculares).
   • Prior suave (Soft prior): Relações clinicamente acordadas com variabilidade inter-paciente.
   • Prior aprendível (Learnable prior): Relações incertas inicializadas com baixo peso e aprendidas a partir dos dados.
     Esses priors são injetados como log-biases nos logits de atenção apenas na primeira camada do grafo para guiar o fluxo inicial de informação cross-modal sem desestabilizar a otimização.

2. PRAttn-RGCN (Rede R-GCN Atencional Relacional Guiada por Prior):
   Uma Rede Convolucional de Grafos Relacional (R-GCN) utiliza o grafo construído para fundir modalidades heterogêneas. Ela emprega mecanismos de atenção específicos de relação, onde a força do prior guia a passagem de mensagem inicial. O modelo agrega embeddings de nós via pooling médio para gerar uma representação do paciente para a predição de pCR.

3. Aprendizado Adversário de Domínio:
   Para abordar a heterogeneidade de MRI multicêntrica, uma estratégia adversária de dois ramos é empregada. Uma camada de reversão de gradiente (GRL) conecta o codificador de imagem a um classificador de domínio. Isso força a representação de imagem a ser discriminativa para pCR enquanto suprime pistas específicas de scanner/protocolo, melhorando assim a invariância de domínio.

4. Módulo de RAG de Subgrafo impulsionado por LLM:
   Para aumentar a interpretabilidade e a robustez sob mudanças de distribuição, o framework incorpora um recuperador de Modelo de Linguagem de Grande Escala (LLM) (DeepSeek-V3.2). Durante a inferência, o sistema recupera casos históricos clinicamente análogos baseados em embeddings de grafos aprendidos e assinaturas de atenção. A evidência recuperada é fundida com a predição do backbone para fornecer uma inferência fundamentada em evidências. O LLM também gera explicações pós-hoc estruturadas e verificáveis baseadas nos metadados de recuperação e pistas de arestas-direcionadoras (driver-edge cues).

Principais Contribuições

• Construção de Grafo: A introdução de um grafo de prior clínico hierárquico que codifica o conhecimento médico diretamente na estrutura das arestas, evitando a necessidade de restrições de perda auxiliar.
• Mecanismo de Robustez: O design de um mecanismo de atenção relacional guiado por prior combinado com aprendizado adversário para mitigar o viés de protocolo de MRI multicêntrico, preservando simultaneamente características relevantes para a tarefa.
• Interpretabilidade: A integração de um módulo RAG de subgrafo impulsionado por LLM que recupera casos similares e fornece racionalidades estruturadas e baseadas em evidências para as predições, indo além de saídas de probabilidade escalar.
• Validação: A montagem e avaliação de uma coorte de grande escala e multicêntrica de câncer de mama com NAC, compreendendo dois conjuntos de dados públicos e três centros internos.

Resultados
O modelo foi avaliado em conjuntos de teste internos (agregados de três centros) e dois conjuntos de teste externos (Ycenter e Qcenter).

• Desempenho: O ClinRAG-GRAPH alcançou uma AUC de 0,815 (95% CI: 0,738–0,885) no conjunto de teste interno, superando os baselines de estado da arte, incluindo R-GCN (0,706), LMF (0,678) e iMRhpc (0,699).
• Generalização: Nos conjuntos de teste externos, o modelo manteve um desempenho robusto com AUCs de 0,774 (Ycenter) e 0,712 (Qcenter). Notavelmente, alcançou a maior especificidade (0,946) no Ycenter e a melhor acurácia balanceada (0,676) na coorte desafiadora do Qcenter.
• Ablação: Experimentos confirmaram que cada componente contribui para o desempenho; o grafo de prior clínico proporcionou o ganho inicial sobre um R-GCN padrão, enquanto o desacoplamento adversário e o módulo RAG melhoraram ainda mais a generalização em domínios externos.
• Interpretabilidade: A análise SHAP demonstrou que o modelo captura dependências cross-modais clinicamente significativas (ex: ER, PR, HER2, Ki67, idade e características de MRI) que variam entre subtipos moleculares, validando o raciocínio relacional estruturado.

Significância
O artigo afirma que o ClinRAG-GRAPH oferece um avanço significativo na predição de pCR pré-tratamento ao abordar os desafios específicos da integração multimodal, mudança de domínio e interpretabilidade. Ao combinar priors clínicos estruturados com adaptação de domínio adversária e geração aumentada por recuperação, o framework demonstra um desempenho competitivo e consistente através de diversos centros. Os autores sustentam que esta abordagem apoia estratégias de tratamento de NAC individualizadas, particularmente para escalonamento ou desescalonamento precoce, ao fornecer predições que não são apenas precisas, mas também fundamentadas em evidências clínicas recuperáveis. O código é disponibilizado para facilitar pesquisas futuras neste domínio.