Resumo Técnico: Taxlifier

Problema

A classificação precisa e eficiente de doenças torácicas em imagens de radiografia de tórax (CXR) é crítica para o diagnóstico oportuno. No entanto, sistemas automatizados enfrentam desafios significativos devido à presença de múltiplas patologias com características visuais sobrepostas e à natureza complexa e hierárquica das taxonomias médicas. Métodos convencionais de classificação multi-rótulo, como o One-vs-All (OVA), frequentemente tratam os rótulos de forma independente, ignorando as dependências entre as classes. Essa abordagem de "classificação plana" falha em capturar as relações condicionais inerentes aos diagnósticos médicos (por exemplo, uma patologia filha como consolidação implica a presença de uma patologia pai como opacidade pulmonar). Além disso, os nós folha nas hierarquias de doenças frequentemente sofrem com a escassez de exemplos positivos, levando a um viés de classe negativa em modelos padrão. Embora a classificação hierárquica tenha sido explorada no processamento de texto e na genômica, há uma carência de pesquisas aplicando informações taxonômicas a problemas multiclasse em imagens médicas.

Metodologia

O artigo propõe o Taxlifier, um framework que introduz duas novas técnicas de classificação multi-rótulo hierárquica projetadas para aproveitar as relações de taxonomia de doenças. Ambos os métodos utilizam uma estrutura de grafo pré-definida $G = \{C, E\}$ representando as relações de pai-filho entre as patologias torácicas.

1. Abordagem Baseada em Logit (Pós-processamento)

Este método é projetado para cenários onde o ground truth não está disponível ou o retreinamento é computacionalmente proibitivo. Ele ajusta as probabilidades preditas de uma rede neural pré-treinada (ex: DenseNet121) durante a inferência sem modificar a arquitetura do modelo.

• Mecanismo: A abordagem calcula uma probabilidade predita condicional para uma classe filha $c_k$ baseada no output de logit de sua classe pai $c_j$.
• Fórmula: A probabilidade atualizada $\hat{p}^{(i)}_k$ é derivada pela modificação do logit original $q^{(i)}_k$ com uma contribuição ponderada do logit do pai $q^{(i)}_j$:
  $$\hat{p}^{(i)}_k = \frac{1}{1 + \exp(-(q^{(i)}_k + \alpha_k q^{(i)}_j))}$$
  onde $\alpha_k$ é um hiperparâmetro que controla a influência da classe pai.
• Otimização: Os hiperparâmetros $\{\alpha_k\}$ são ajustados usando um Estimador de Parzen Estruturado em Árvore (TPE) para minimizar a função objetivo $1 - \text{AUC}$ em um conjunto de validação.

2. Abordagem Baseada em Perda (Tempo de Treinamento)

Este método integra a informação hierárquica diretamente no processo de otimização do modelo por meio de um novo termo de regularização.

• Mecanismo: Em vez de ajustar os outputs post-hoc, esta abordagem penaliza o desalinhamento entre as predições e a taxonomia dos rótulos durante o treinamento. Ela atualiza o valor da perda de uma classe filha com base nos valores de perda de suas classes pai.
• Fórmula: A perda atualizada $\hat{l}^{(i)}_k$ é calculada como:
  $$\hat{l}^{(i)}_k = l^{(i)}_k \cdot H(k|j)$$
  onde $H(k|j) = \alpha_k l^{(i)}_j + \beta_k$. Aqui, $l^{(i)}_j$ é a perda da classe pai, e $\alpha_k, \beta_k$ são hiperparâmetros que equilibram a influência da perda do pai.
• Atualização de Probabilidade: Para evitar a reexecução da otimização completa, o artigo deriva um método para atualizar as probabilidades preditas diretamente a partir dos valores de perda modificados usando o gradiente da função de entropia cruzada binária e das funções sigmoide:
  $$\hat{p}^{(i)}_k = \begin{cases} \exp(-\hat{l}^{(i)}_k) & \text{se } p^{(i)}_k > \theta_k \text{ e } p^{(i)}_j > \theta_j \\ 1 - \exp(-\hat{l}^{(i)}_k) & \text{caso contrário} \end{cases}$$
• Otimização: Os hiperparâmetros $\{\alpha_k, \beta_k\}$ são otimizados usando TPE para maximizar a AUC.

Configuração Experimental

As técnicas foram avaliadas em três grandes conjuntos de dados públicos: CheXpert (224.316 imagens), PADCHEST (160.000 imagens) e NIH (112.120 imagens). Uma taxonomia unificada foi construída fundindo taxonomias existentes desses datasets, focando em 18 patologias comuns. O modelo de linha de base (baseline) foi uma DenseNet121 ajustada (fine-tuned) nesses datasets. O desempenho foi medido usando Acurácia, AUC, F1-score e métricas estatísticas abrangentes (Kappa de Cohen, t-estatística, Fator de Bayes).

Principais Contribuições

1. Técnica Baseada em Perda: Introduz um novo termo de regularização hierárquica que incorpora diretamente a hierarquia de rótulos na função de perda de treinamento, penalizando o desalinhamento com a taxonomia.
2. Técnica Baseada em Logit: Propõe um método de pós-processamento computacionalmente eficiente para ajustar os logits da rede neural com base nas relações de classe, permitendo o uso de conhecimento taxonômico sem necessidade de retreinamento extensivo.
3. Avaliação Abrangente: Demonstra melhorias de desempenho consistentes em três diversos e grandes conjuntos de dados de CXR.
4. Interpretabilidade: A estrutura hierárquica fornece um output mais interpretável, permitindo que clínicos entendam as predições em vários níveis de granularidade (classes pai vs. classes filho).

Resultados

Os resultados experimentais indicam melhorias significativas sobre o método de linha de base em várias patologias, particularmente para os nós filhos na hierarquia:

• Acurácia: Os métodos baseado em logit e baseado em perda melhoraram a acurácia em 12% e 11%, respectivamente, em comparação ao baseline.
• AUC: Foram observadas melhorias de 13% (baseado em logit) e 10% (baseado em perda).
• F1-Score: Os métodos geraram ganhos substanciais, com melhorias de 24% (baseado em logit) e 12% (baseado em perda).
• Significância Estatística: A análise estatística (testes t, Fatores de Bayes) confirmou que as melhorias, particularmente para o método baseado em logit, foram estatisticamente significativas na maioria das patologias (ex: Atelectasia, Edema, Cardiomegalia). O método baseado em perda mostrou maior variância, mas alcançou desempenho superior em casos específicos (ex: o F1-score de Lesão Pulmonar aumentou de 0,094 para 0,982).
• Classes Pai: Como esperado, o desempenho para as classes pai (ex: Opacidade Pulmonar, Cardiomediastino Aumentado) permaneceu consistente com o baseline, pois as técnicas visam especificamente o refinamento das predições das classes filho com base nas relações de pai.

Significância e Alegações

O artigo afirma que a integração do conhecimento hierárquico específico do domínio aumenta significativamente tanto a precisão quanto a interpretabilidade dos sistemas de diagnóstico auxiliado por computador (CAD) para radiografia de tórax. Ao se afastar da classificação "plana", os métodos propostos abordam o viés de classe negativa comum em dados médicos hierárquicos e fornecem um framework mais robusto para a detecção de doenças torácicas complexas e multi-rótulo.

Os autores enfatizam que a abordagem baseada em logit oferece uma vantagem prática para implantação no mundo real devido à sua eficiência computacional e ausência de necessidade de retreinamento do modelo, tornando-a adaptável a cenários com recursos limitados. A abordagem baseada em perda oferece uma integração mais profunda da hierarquia durante a fase de aprendizado.

O estudo conclui que essas técnicas representam uma contribuição valiosa para a classificação multi-rótulo em imagens médicas, potencialmente reduzindo erros diagnósticos e otimizando fluxos de trabalho clínicos. No entanto, os autores reconhecem modestamente as limitações, observando que a eficácia depende da qualidade da taxonomia e da rotulagem dos datasets, e que aplicar esses métodos a novos domínios requer o desenvolvimento de estruturas taxonômicas específicas por especialistas do domínio.