GRCD: Grounded Region Change Detection for Multi-Finding Chest X-Ray Pairs

Resumo Técnico: GRCD – Detecção de Mudança de Região Grounded para Pares de Radiografias de Tórax com Múltiplos Achados

Definição do Problema
Radiologistas comparam rotineiramente radiografias de tórax atuais e anteriores para monitorar a progressão de doenças, gerando relatórios de acompanhamento que descrevem múltiplos achados, cada um localizado em uma região anatômica e anotado com um status de mudança temporal (ex: piorou, melhorou, estável). As abordagens automatizadas existentes falham em abordar este cenário complexo de múltiplos achados de forma holística. Métodos de imagem única geram relatórios fluentes, mas carecem de contexto temporal. Métodos temporais comparam pares de imagens, mas falham em fundamentar espacialmente suas saídas. Métodos grounded localizam achados, mas operam em pontos temporais únicos. Embora o TRACE [2] combine raciocínio temporal com fundamentação espacial, ele é restrito a descrições de achado único. Relatórios de acompanhamento do mundo real, entretanto, contêm múltiplos achados coocorrentes com direções de mudança mistas. Modelos atuais sem codificação explícita por região tendem a colapsar em saídas repetitivas de rótulo único quando confrontados com esta tarefa de múltiplos achados.

Metodologia
Os autores propõem o GRCD (Grounded Region Change Detection), um framework projetado para gerar relatórios temporais estruturados com múltiplos achados e fundamentação espacial por achado. A arquitetura consiste em três componentes primários:

1. Construção e Limpeza de Dados: Os autores construíram um conjunto de dados de referência a partir do MIMIC-CXR v2.1.0 e Chest ImaGenome v1.0. Eles identificaram e corrigiram dois erros sistemáticos de rotulagem nas anotações de origem:

   • Retakes AP no Mesmo Estudo: Remoção de pares onde múltiplas imagens de um mesmo exame (ex: retakes AP) foram incorretamente pareadas como comparações de anterior/atual.
   • Ausência Silenciosa de NLP: Abordagem do problema onde pistas de PLN (Processamento de Linguagem Natural) falham em rotular achados que aparecem ou desaparecem sem marcadores textuais explícitos.
   • Filtragem de Três Níveis: Os achados foram classificados em três níveis baseados em confiança. O Nível 1 (pistas diretas de PLN) e o Nível 2 (recuperados via palavras-chave ou interpolação temporal) foram mantidos. Pares do Nível 3 (sem evidência) foram descartados. Esta limpeza rigorosa reduziu o conjunto de dados de um total ingênuo de 179.365 pares para um conjunto de alta confiança de 40.250 pares.

2. Módulo de Token de Mudança Guiado por Região (RGCT):

   • Um codificador de visão temporal BioViL-T congelado processa as imagens anterior ($I_p$) e atual ($I_c$) para produzir mapas de características.
   • As características são recortadas de 25 regiões anatômicas definidas pelas caixas delimitadoras (bounding boxes) do Chest ImaGenome.
   • Para cada região, o módulo concatena as características anteriores, as características atuais e sua diferença. Esses descritores passam por um bloco de autoatenção inter-regiões para permitir o fluxo de informação entre as regiões.
   • Os descritores refinados são projetados no espaço oculto do LLM para formar tokens de mudança. Cabeças auxiliares predizem rótulos de mudança, presença de achados e caixas delimitadoras durante o treinamento.

3. Integração de Via Dupla:

   • Via A (Tokens Prependidos): Seis tokens correspondentes a regiões anatômicas chave (pulmões, coração, mediastino, ângulos costofrênicos) são prepostos à sequência de entrada do LLM. Isso fornece um sinal espacial persistente e de granularidade grossa.
   • Via B (Atenção Cruzada com Gate): Todos os 25 tokens de mudança são injetados via blocos de atenção cruzada com gate a cada quatro camadas do decodificador. Isso permite que o decodificador consulte seletivamente todas as regiões durante a geração.
   • O modelo é treinado de forma autorregressiva para gerar relatórios estruturados contendo achados, rótulos de mudança e caixas delimitadoras inline.

Principais Contribuições

• Primeiro Modelo Temporal de Múltiplos Achados: O GRCD é o primeiro modelo a gerar relatórios temporais de múltiplos achados com fundamentação espacial por achado e rótulos de mudança distintos.
• Limpeza Rigorosa de Dados: Um pipeline de três níveis que identifica e corrige erros sistemáticos nos pares temporais do Chest ImaGenome, resultando em um benchmark de 40.250 pares.
• Arquitetura de Via Dupla: A introdução do módulo RGCT com uma estratégia de integração de via dupla (tokens prepostos + atenção cruzada), demonstrada como necessária para o sucesso da geração de múltiplos achados.

Resultados Experimentais
Avaliado em um conjunto de teste de múltiplos achados de 7.967 amostras, o GRCD superou as linhas de base existentes (classificador BioViL-T, recuperação de vizinho mais próximo e TRACE reavaliado) em todas as métricas:

• Geração de Linguagem Natural: O BLEU-4 melhorou para 0,398 (vs. 0,078 para o TRACE e 0,273 para recuperação).
• Precisão Clínica: O F1 do CheXbert atingiu 0,567 (vs. 0,175 para o TRACE) e o F1 do RadGraph atingiu 0,473 (vs. 0,222 para o TRACE).
• Detecção de Mudança: Alcançou 53,3% de precisão ao nível do relatório e 50,0% de precisão balanceada, superando significativamente o classificador BioViL-T (46,6%) e o TRACE (39,8%).
• Fundamentação (Grounding): Alcançou precisão de fundamentação comparável ao TRACE (61,4% IoU > 0,5), mas cobriu mais amostras (4.161 vs. 3.552).

Estudos de ablação confirmaram que a remoção do módulo RGCT resultou em desempenho próximo de zero, enquanto o design de via dupla (Linha D) superou qualquer estratégia de integração isolada (apenas preposta ou apenas atenção cruzada) em métricas de texto e clínicas. Além disso, o treinamento no conjunto de dados maior e mais ruidoso não limpo degradou o desempenho em até 15,6%, validando a necessidade de uma limpeza rigorosa de dados.

Significância e Alegações
O artigo afirma que o GRCD aborda uma lacuna crítica na elaboração de relatórios radiológicos automatizados ao permitir a geração de relatórios temporais clinicamente realistas com fundamentação espacial. Os autores enfatizam que a qualidade dos dados é primordial sobre a quantidade para tarefas temporais construídas sobre anotações de padrão de prata (silver-standard), pois rótulos ruidosos degradam significativamente o desempenho do modelo. Eles posicionam o GRCD como uma ferramenta de suporte à decisão destinada a auxiliar radiologistas ao reduzir o tempo de ditado e sinalizar mudanças perdidas, em vez de substituir a interpretação humana. O trabalho fornece um conjunto de dados limpo e uma arquitetura de via dupla como blocos de construção para pesquisas futuras em compreensão de imagens médicas temporais.