Resumo Técnico: TRCGL-Net

Definição do Problema

A classificação multi-rótulo de radiografias de tórax (CXR) é uma tarefa crítica na imagem médica inteligente, mas enfrenta obstáculos significativos devido à distribuição de cauda longa dos dados clínicos do mundo real. Em conjuntos de dados como o PadChest, um pequeno número de categorias de doenças comuns (classes de cabeça) domina a contagem de amostras, enquanto a maioria das categorias de doenças (classes de cauda) sofre de escassez extrema de amostras. Esse desequilíbrio leva os modelos de aprendizado profundo a serem enviesados para as classes majoritárias, resultando em desempenho degradado para doenças raras.

Os autores identificam três fatores intrínsecos que exacerbam este problema:

1. Escassez de Dados e Deriva Semântica: As classes de cauda possuem pouquíssimas amostras positivas. Os métodos tradicionais de aumento de dados frequentemente falham ao não incorporar restrições semânticas de nível de doença, levando a amostras geradas que carecem de características específicas de lesões ou que se desviam de padrões patológicos reais.
2. Atenuação de Características e Interferência de Fundo: As lesões de classes de cauda são frequentemente pequenas, de baixo contraste e obscurecidas por fundos anatômicos complexos (ex: costelas, clavículas, silhuetas cardíacas). A extração de características padrão tende a suprimir esses sinais sutis em favor de características dominantes de classes de cabeça ou estruturas de fundo.
3. Modelagem Ineficaz de Coocorrência de Rótulos: Métos existentes para modelar dependências de rótulos são tipicamente dominados por classes frequentes. Consequentemente, as relações aprendidas refletem padrões de doenças comuns, falhando em fornecer associações informativas que poderiam auxiliar no reconhecimento de classes de cauda raras.

Metodologia: TRCGL-Net

Para enfrentar esses desafios, os autores propõem o TRCGL-Net, um framework projetado para a classificação de CXR de cauda longa. A arquitetura integra quatro componentes principais e emprega uma estratégia de treinamento de dois estágios (aquecimento do classificador seguido de ajuste fino completo).

1. Difusão Condicional Guiada por Texto Aprendível

Para mitigar a escassez de amostras de classes de cauda, o framework emprega um módulo generativo baseado em modelos de difusão condicional.

• Mecanismo: Os textos dos rótulos de doenças são codificados usando um codificador de texto CLIP. Crucialmente, os autores introduzem vetores de contexto aprendíveis (embeddings de prompt) concatenados com os embeddings de texto. Esses vetores são otimizados durante o treinamento para aumentar adaptativamente as condições textuais.
• Processo: A sequência de texto aumentada guia o modelo de difusão para sintetizar imagens de CXR de alta qualidade para as classes de cauda. O processo de geração utiliza um mecanismo de orientação livre de classificador (classifier-free guidance) para equilibrar a adesão à semântica da doença com a diversidade da morfologia e localização da lesão.
• Objetivo: Gerar amostras sintéticas que preservem a consistência anatômica e a semântica específica da patologia, aumentando assim o conjunto de treinamento para categorias subrepresentadas.

2. Mecanismo de Atenção Canal-Classe

Para melhorar a discriminabilidade das características sob distribuições de cauda longa, o framework processa as características extraídas por um backbone ConvNeXtV2 através de dois mecanismos paralelos:

• Redirecionamento de Canais (Channel Reweighting): Um mecanismo que aplica agrupamento médio global (global average pooling) e uma transformação não linear para gerar pesos de atenção de canal. Isso recalibra os canais de características, enfatizando aqueles relevantes para doenças específicas enquanto preserva a informação original via conexões residuais.
• Atenção Espacial Consciente de Classe: Um ramo que gera mapas de atenção específicos para cada classe. Isso permite que o modelo localize regiões relevantes para a doença e foque em áreas de lesão finas, reduzindo a interferência de estruturas anatômicas irrelevantes.
• Fusão: A predição final ao nível da imagem combina características semânticas globais (de Global Average Pooling) e características locais específicas de classe.

3. Modelagem de Coocorrência de Rótulos (Convolução em Grafo)

Para explorar as dependências entre classes, o framework constrói um grafo de coocorrência de rótulos.

• Construção do Grafo: Uma matriz de coocorrência é derivada do conjunto de treinamento, normalizada para reduzir o viés de classes frequentes, simetrizada e com limiar aplicado para remover correlações espúrias.
• Propagação: Uma Rede Neural de Convolução em Grafo (GCN) propaga informações através do grafo de rótulos. As categorias de doenças são tratadas como nós com embeddings aprendíveis. Através de duas camadas de convolução de grafo, os protótipos de classe são atualizados para incorporar relações de coocorrência.
• Integração: A saída da GCN fornece predições baseadas no grafo de rótulos, que são fundidas com as predições baseadas na imagem via agregação residual. Isso permite que as classes de cauda aproveitem pistas discriminativas de classes de alta frequência que coocorrem frequentemente.

Principais Contribuições

O artigo descreve três contribuições primárias:

1. Estratégia Generativa: Um modelo de difusão condicional guiado por texto aprendível que impõe restrições semânticas de doença para sintetizar amostras de classe de cauda, abordando a escassez de dados enquanto mantém a consistência patológica.
2. Melhoria de Características: Um mecanismo duplo combinando redirecionamento de canal e atenção consciente de classe para aumentar as características relevantes para a doença e suprimir a interferência de fundo, visando especificamente a representação fraca de lesões de cauda.
3. Modelagem de Dependência: Uma rede neural de convolução em grafo baseada na coocorrência de rótulos que permite a propagação de informações discriminativas entre categorias correlacionadas, permitindo que as classes de cauda beneficiem-se das relações com classes frequentes.

Resultados Experimentais

Os experimentos foram conduzidos no conjunto de dados PadChest, que contém mais de 160.000 imagens anotadas com 174 achados radiológicos. O conjunto de dados foi dividido ao nível do paciente (80% treinamento, 20% validação).

• Desempenho Geral: O TRCGL-Net alcançou uma Precisão Média (mAP) de 0,4408, uma Área Sob a Curva média (mAUC) de 0,8989 e um score F1 macro de 0,4369. Estes resultados superam os baselines de estado da arte, incluindo ResNet-50, EfficientNet, ViT, CLIP e métodos especializados de cauda longa como ConvNeXt+LDAM e ConvNeXt+CSRA.
• Desempenho de Classes de Cauda: A melhoria mais significativa foi observada nas classes de cauda (categorias com <500 amostras). O TRCGL-Net alcançou um mAP de classe de cauda de 0,4904 e um mAUC de classe de cauda de 0,9229. Isso representa uma melhoria substancial sobre o melhor baseline (ConvNeXt), que obteve 0,1280 de mAP em classes de cauda.
• Estudos de Ablação:
  • Remover o módulo de difusão causou uma queda no mAP de 0,4408 para 0,3671, destacando a importância do aumento de dados.
  • Remover o módulo de Atenção Canal-Classe reduziu o desempenho, confirmando a necessidade de recalibração de características.
  • Remover o módulo de Modelagem de Relação de Rótulos também degradou o desempenho, validando a utilidade da propagação de coocorrência de rótulos.
• Sensibilidade de Parâmetros: O desempenho ideal foi alcançado com um peso de amostra sintética de 0,5 e uma força de fusão de grafo de rótulo de 0,05, indicando um equilíbrio entre dados reais/sintéticos e informação visual/de rótulo.

Significância e Limitações

Significância:
O framework demonstra que integrar aumento de dados generativo com restrições semânticas, mecanismos de atenção ao nível de característica e modelagem de dependência de rótulos pode mitigar efetivamente o impacto do desequilíbrio extremo de classes na classificação de radiografias de tórax. Ele melhora especificamente o reconhecimento de doenças raras, que são frequentemente críticas no diagnóstico clínico, mas negligenciadas por modelos padrão.

Limitações e Trabalho Futuro:
Os autores reconhecem diversas limitações:

• O modelo de difusão depende de nomes de doenças e relatórios radiológicos; sua capacidade semântica pode ser limitada para descrições de múltiplas lesões complexas ou subtipos finos.
• O grafo de coocorrência de rótulos é estático, baseado em estatísticas do conjunto de treinamento, e pode não se adaptar bem a mudanças de distribuição entre diferentes instituições médicas.

O trabalho futuro visa incorporar conhecimento médico estruturado (priores anatômicos) no processo de difusão e desenvolver modelagem de relação de rótulos dinâmica e adaptável aos dados para aumentar a generalização em cenções de domínio cruzado.