TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift

Resumo Técnico: TRACE-seg3D

Definição do Problema
Modelos de segmentação de imagens médicas frequentemente alcançam alto desempenho em benchmarks (ex: escores Dice), mas falham silenciosamente quando implantados em dados de diferentes scanners, protocolos ou instituições. Esses "deslocamentos de contexto" alteram a aparência da imagem sem mudar a lesão subjacente, fazendo com que os modelos explorem pistas espúrias em vez de evidências reais da doença. Métricas de sobreposição convencionais (Dice, HD95) não conseguem distinguir entre predições fundamentadas na lesão e aquelas impulsionadas por contexto espúrio, nem revelam se as subregiões tumorais preditas (Tumor Total, Núcleo do Tumor, Tumor com Realce) obedecem a hierarquias anatômicas necessárias. Essa falta de transparência dificulta a confiança na implantação clínica sob deslocamento de distribuição.

Metodologia: TRACE-seg3D
Os autores propõem o TRACE-seg3D, um framework de auditoria de contexto contrafactual projetado para produzir segmentações de gliomas 3D robustas junto com evidências de nível de caso sobre estabilidade e plausibilidade anatômica. O framework opera através de três mecanismos alinhados:

1. Fatoração de Doença/Contexto Ancorada por Proxies (M1):
   O modelo utiliza um codificador-decodificador 3D (estilo MedNeXt) que extrai características hierárquicas. Um gargalo de características é globalmente agrupado para gerar dois vetores latentes: um latente de doença ($z_d$) e um latente de contexto ($z_c$).

   • Separação: $z_d$ é incentivado a codificar evidências da lesão, enquanto $z_c$ codifica variações de aquisição e institucionais.
   • Supervisão: Como as variáveis causais verdadeiras não são observadas, o modelo utiliza "proxies de ancoragem fraca". $z_d$ é supervisionado por proxies da doença (ex: volume da lesão, carga tumoral) e $z_c$ por proxies de contexto (ex: metadados do local, estatísticas de intensidade ou pseudo-proxies derivados da geometria da imagem).
   • Regularização: Objetivos adversariais e restrições de ortogonalidade impedem o vazamento entre os dois fatores, garantindo que $z_d$ não codifique o contexto e vice-versa. Esses latentes modulam as características do decodificador via camadas FiLM.

2. Transporte de Contexto Contrafactual (CCT) (M2):
   Para auditar a estabilidade da predição, o framework realiza intervenções latentes.

   • Processo: Para um caso alvo, o latente de doença ($z_d$) é mantido fixo, enquanto o latente de contexto ($z_c$) é substituído por amostras extraídas de um "banco de suporte" de latentes de contexto de outros casos de treinamento.
   • Saída: O modelo gera múltiplas predições sob esses contextos contrafactuais. Ele computa uma predição de consenso ($p^{cct}$) e um mapa de instabilidade voxel-a-voxel ($u^{cct}$), que quantifica a variância das predições através dos contextos transportados.
   • Portão de Estabilidade (Stability Gating): Uma máscara de portão de estabilidade ($p^{gate}$) é produzida ao suprimir regiões onde a instabilidade excede um limiar, sinalizando predições que são altamente sensíveis a mudanças de contexto.

3. Prior Estrutural Sensível à Anatomia (M3):
   Reconhecendo que o Tumor com Realce (ET) é pequeno e propenso a falsos positivos sob deslocamento de domínio, o framework impõe a hierarquia anatômica $ET \subseteq TC \subseteq WT$.

   • Mecanismo: Um operador estrutural ($\Pi_{anat}$) remove componentes isolados de ET que carecem de suporte suficiente das regiões do Núcleo do Tumor (TC) ou do Tumor Total (WT).
   • Auditoria: O sistema reporta o volume dos componentes de ET removidos e a preservação das regiões de TC/WT, fornecendo uma medida de plausibilidade anatômica.

Principais Contribuições

• Perspectiva Causal: O artigo formaliza a segmentação de glioma 3D sob deslocamento de distribuição ao separar a evidência da doença, o contexto de imagem e a segmentação anatômica, tratando esta última como o alvo da auditabilidade.
• Framework Auditável: O TRACE-seg3D é o primeiro a combinar a fatoração ancorada por proxies com o Transporte de Contexto Contrafactual para produzir não apenas uma máscara de segmentação, mas evidência explícita de sensibilidade ao contexto e consistência estrutural.
• Restrições Anatômicas: Integra um prior estrutural que impõe a hierarquia aninhada do tumor, controlando especificamente falsos positivos na região clinicamente crítica do Tumor com Realce (ET).

Resultos Experimentais
O framework foi avaliado nos conjuntos de dados BraTS 2020 e UTSW-Glioma, testando o desempenho tanto in-distribution (ID) quanto cross-domain (Out-of-Distribution, OOD).

• Desempenho: O TRACE-seg3D alcançou resultados de estado da arte tanto em configurações ID quanto OOD. Por exemplo, na transferência BraTS $\to$ UTSW, alcançou um Dice de 0.591 (vs. 0.567 para o melhor baseline) e um HD95 de 4.558. Na transferência UTSW $\to$ BraTS, atingiu 0.792 Dice.
• Ablação: A remoção de componentes (fatoração, CCT ou prior estrutural) degradou consistentemente o desempenho OOD e a qualidade da auditoria, confirmando que os ganhos advêm do mecanismo integrado e não de um único passo de pós-processamento.
• Análise de Estruturas Pequenas: O framework melhorou significativamente a precisão do ET e reduziu falsos positivos (até 52.6% de redução em configurações OOD) sem comprometer a segmentação de regiões tumorais maiores (WT/TC).
• Utilidade da Auditoria: Os mapas de instabilidade destacaram com sucesso regiões onde as predições eram sensíveis ao contexto (ex: bordas ou pequenos focos), fornecendo uma explicação visual para potenciais falhas ignoradas por métricas padrão.

Significância e Alegações
O artigo alega que o TRACE-seg3D estabelece a auditoria de contexto contrafactual como uma rota prática para uma segmentação de imagem médica 3D transparente e confiável. Ao ir além das simples métricas de sobreposição, o framework permite que clínicos avaliem por que uma predição pode ser não confiável (ex: devido à variação do scanner) e se as subregiões tumorais preditas são anatomicamente plausíveis. Os autores enfatizam que esta abordagem melhora a robustez sob deslocamentos institucionais sem sacrificar a acurácia in-distribution, oferecendo um caminho para uma "IA confiável" onde a dependência do modelo em relação a pistas de incômodo é explicitamente medida e mitigada. O trabalho é de escopo modesto, focando em deslocamentos institucionais de RM e utilizando latentes guiados por proxies em vez de reivindicar variáveis causais totalmente identificáveis.