Resumo Técnico: Locus – Regularização de Atenção Guiada por Anatomia para Classificação de Imagens Médicas

1. Definição do Problema

Modelos de classificação de imagens médicas são tipicamente treinados utilizando apenas rótulos ao nível da imagem, carecendo de supervisão espacial explícita. Consequentemente, esses modelos aprendem a depender de correlações estatísticas com regiões anatomicamente irrelevantes, como artefatos de imagem, tecidos circundantes ou pistas contextuais específicas do conjunto de dados, em vez das estruturas anatômicas diagnosticamente relevantes. Esse comportamento limita a interpretabilidade e a generalização do modelo.

Embora abordagens anteriores tenham tentado enfrentar isso incorporando informações de forma anatômica (ex: máscaras de segmentação), elas enfrentam limitações significativas:

• Anotação Manual: Depender de máscaras delineadas por especialistas é custoso e difícil de escalar.
• Treinamento Conjunto: Treinar um ramo de segmentação junto com um classificador introduz desafios de otimização, como gradientes conflitantes e predições ruidosas que podem corromper a orientação.
• Pseudo-máscaras baseadas em CAM: Embora evitem custos de anotação, esses métodos frequentemente ativam apenas regiões discriminativas correlacionadas ao rótulo, em vez da estrutura anatômica completa e relevante.
• Modelos de Segmentação Dedicados: Treinar um novo modelo de segmentação do zero reintroduz o ônus da anotação e o overhead computacional.

2. Metodologia: O Framework Locus

Os autores propõem o Locus, um framework que utiliza Modelos de Fundação de Segmentação (SFMs) pré-treinados (ex: Medical SAM, BiomedParse) para guiar a atenção do classificador sem a necessidade de treinamento de segmentação dedicado ou anotações manuais.

2.1 Regularização de Atenção Centrada na Anatomia

Em vez de impor um alinhamento rígido pixel a pixel entre o mapa de atenção do classificador e a máscara anatômica (o que pode ser excessivamente restritivo), o Locus introduz um termo de regularização baseado em hinge ($R$).

• Mecanismo: O framework calcula a média ponderada da energia de atenção dentro do primeiro plano anatômico ($A_{fg}$) e do segundo plano ($A_{bg}$) derivado da máscara do SFM.
• Função de Perda: O regularizador é definido como $R(M, A) = \max(0, A_{bg} - A_{fg})$.
• Lógica: Este termo penaliza o classificador apenas quando a atenção do segundo plano domina a atenção do primeiro plano. Se a atenção do primeiro plano já for suficiente ($A_{fg} \geq A_{bg}$), o regularizador permanece inativo. Esta abordagem evita a supressão excessiva de informações contextuais potencialmente relevantes para o diagnóstico, garantindo ao mesmo tempo que o modelo não dependa primordialmente de ruído de fundo.

2.2 Prompting Anatômico por Patch

O prompting padrão de SFMs em imagens completas frequentemente falha em capturar todas as estruturas anatômicas relevantes, particularmente quando estas são pequenas ou disjuntas (ex: lesões espalhadas ou órgãos bilaterais), retornando muitas vezes apenas a região mais dominante.

• Estratégia: O Locus particiona a imagem de entrada em uma grade de patches não sobrepostos. Cada patch é independentemente estimulado (prompted) com o mesmo descritor de texto derivado da classe (ex: "pulmão", "tumor").
• Agregação: As máscaras resultantes ao nível de patch são agregadas via união para formar uma máscara anatômica de resolução total ($M$).
• Objetivo: Esta estratégia maximiza a cobertura anatômica para garantir que todas as regiões relevantes contribuam para a supervisão da atenção, mesmo que a máscara resultante seja grosseira. Os autores enfatizam que a segmentação precisa ao nível de pixel não é necessária; o objetivo é o embasamento anatômico suficiente para guiar a atenção.

2.3 Perda da Rede

A perda total da rede combina a perda da tarefa padrão (entropia cruzada) com o regularizador centrado na anatomia:
$$L_{net} = L_{task} + \lambda \cdot R(M, A)$$

• Estratégia de Treinamento: Uma estratégia de warm-up é empregada, onde a rede é treinada apenas com $L_{task}$ por alguns epochs antes que a força da regularização ($\lambda$) seja gradualmente aumentada.
• Flexibilidade: O framework é agnóstico ao método específico de extração de atenção (ex: Grad-CAM, Grad-CAM++, Vanilla CAM) e à escolha do SFM.

3. Principais Contribuições

1. Novo Framework de Regularização: Propõe um regularizador de atenção centrado na anatomia que equilibra adaptativamente a atenção entre o primeiro plano e o segundo plano, penalizando o classificador apenas quando a atenção do segundo plano domina, eliminando assim a necessidade de treinamento de segmentação dedicado.
2. Adaptabilidade Plug-and-Play: O framework é facilmente adaptável a vários backbones de classificadores (CNNs e Transformers) e SFMs sem modificar a arquitetura do classificador ou realizar o fine-tuning do modelo de fundação.
3. Validação Abrangente: Validado em oito conjuntos de dados diversificados de imagens médicas (dermoscopia, raio-X, histopatologia, ultrassom e RM cardíaca), demonstrando ganhos consistentes de desempenho e melhor interpretabilidade.

4. Resultados Experimentais

Os autores avaliaram o Locus contra três baselines: Entropia Cruzada (CE) padrão, Entrada Mascarada (usando máscaras de SFM para descartar o segundo plano) e MGA (alinhamento de atenção baseado em Dice que requer anotações de especialistas).

• Desempenho de Classificação: O Locus alcançou a maior acurácia e F1-scores em quase todas as configurações em seis conjuntos de dados de referência (HAM10000, PneumoniaMNIST, BTXRD, PanNuke, ChestX-ray8, BUSI) e um conjunto de dados de RM cine cardíaca. Ele superou consistentemente o treinamento não restringido e os baselines de entrada mascarada.
• Qualidade da Atenção: Visualizações (Grad-CAM) mostraram que o Locus produziu mapas de atenção mais focados e anatomicamente coerentes. Notavelmente, para arquiteturas propensas à dominância de fundo (ex: ConvNeXt, ViT), o Locus afunilou significativamente a atenção para estruturas relevantes (ex: campos pulmonares, lesões) em comparação com o treinamento CE padrão.
• Robustez: Sob perturbações de tempo de teste (brilho, contraste, desfoque Gaussiano, ruído), os modelos treinados com Locus mantiveram uma acurácia superior aos baselines de apenas CE, sugerindo que a regularização desencoraja a dependência de características espúrias sensíveis à distorção.
• Generalização: Os benefícios do regularizador foram consistentes através de diferentes métodos de extração de atenção (Grad-CAM, Grad-CAM++, Vanilla CAM, Gradiente de Norma) e diferentes backbones de rede (ResNet, ConvNeXt, ViT).

5. Significância e Alegações

O artigo afirma que o Locus oferece uma solução prática para a natureza de "caixa preta" dos classificadores de imagens médicas, direcionando-os para estruturas anatômicas diagnosticamente relevantes sem o custo proibitivo de anotação manual ou a complexidade do treinamento conjunto de segmentação-classificação.

Ao alavancar as capacidades de localização "out-of-the-box" de modelos de fundação e empregar um regularizador flexível baseado em hinge, o framework alcança:

• Melhor Interpretabilidade: Os modelos focam nas regiões anatômicas corretas (ex: miocárdio em RM cardíaca) em vez de artefatos ou fundo.
• Melhor Generalização: Melhor desempenho através de diversas modalidades e robustez contra perturbações de imagem.
• Eficiência: Evita o overhead computacional de treinar um modelo de segmentação dedicado, fornecendo simultaneamente uma orientação anatômica confiável.

Os autores concluem que esta abordagem representa um passo significativo para tornar a IA médica mais confiável e clinicamente interpretável, particularmente em cenários onde anotações ao nível de pixel não estão disponíveis. Sugere-se que trabalhos futuros explorem o weighting consciente de incerteza e o aprendizado de ponta a ponta de configurações de patches.