Resumo Técnico: Ajuste de Prompt com Eficiência de Parâmetros de Modelo de Fundação de Visão com Perda Focal Adaptativa para Triagem Interpretável de MCI

1. Definição do Problema

O Comprometimento Cognitivo Leve (MCI) representa um estágio crítico de declínio cognitivo que precede a doença de Alzheimer. A detecção automatizada a partir de testes de desenho neuropsicológicos (especificamente o Teste do Desenho do Relógio, o Teste de Cópia do Cubo e o Teste de Trilhas) enfrenta três restrições fundamentais:

1. Escassez e Desequilíbrio de Dados: Os conjuntos de dados são frequentemente pequenos e com distribuições de classe enviesadas (por exemplo, uma proporção de 2,4:1 de controles saudáveis para pacientes com MCI).
2. Ambiguidade Diagnóstica: As fronteiras clínicas são incertas, com pontuações MoCA agrupando-se densamente em torno do ponto de corte de 25, tornando a classificação binária rígida subótima.
3. Limitações dos Métodos Existentes: As abordagens atuais de estado da arte dependem de arquiteturas híbridas (por exemplo, combinando ResNet e ViT) computacionalmente caras e de ajuste fino total, que carecem de eficiência de parâmetros. Além disso, a interpretabilidade nesses modelos é tipicamente uma aproximação post-hoc (por exemplo, attention rollout ou Grad-CAM), em vez de uma propriedade arquitetônica intrínseca.

2. Metodologia

Os autores propõem um framework de eficiência de parâmetros que adapta um modelo de fundação de visão DINOv2-Small congelado usando Ajuste de Prompt (Prompt Tuning) e uma nova Perda Focal adaptada ao MoCA.

2.1 Arquitetura: Ajuste de Prompt com Eficiência de Parâmetros

Em vez de realizar o ajuste fino de todo o backbone, o modelo mantém os pesos do DINOv2-Small congelados. A adaptação é alcançada através de:

• Tokens Aprendíveis Específicos por Modalidade: Três distintos tokens de prompt aprendíveis são introduzidos, um para cada tarefa de desenho (relógio, cubo, trilha). Cada token é inicializado aleatoriamente e otimizado de ponta a ponta.
• Agregação por Atenção Cruzada (Cross-Attention): Cada token específico da tarefa atua como uma consulta (query) em uma camada de atenção cruzada compartilhada, atendendo aos tokens de patch da imagem correspondente processada pelo backbone congelado. Isso produz incorporações (embeddings) condicionadas à tarefa ($e_k$) que resumem os patches espaciais mais informativos para aquela função cognitiva específica.
• Fusão de Atenção de Consulta Aprendível: Os três embeddings das tarefas são agregados via um vetor de consulta aprendível que atende sobre as incorporações. Isso produz um vetor de paciente fundido e um conjunto de pesos de importância da modalidade ($\alpha$), indicando qual teste de desenho mais influenciou a decisão final.
• Interpretabilidade Intrínseca: Os pesos de atenção cruzada dos tokens de prompt para os patches da imagem servem como mapas de saliência espacial diretos, não exigindo computação adicional de retropropagação ou aproximação post-hoc.

2.2 Função de Perda: Perda Focal Adaptada ao MoCA

Para abordar a ambiguidade diagnóstica e o desequilíbrio de classes, os autores introduzem uma função de perda unificada que generaliza abordagens de rótulos suaves (soft-labels) padrão. Ela integra:

1. Âncora Suave (Soft Anchor): Converte a pontuação contínua do MoCA ($m_i$) em um alvo suave ($s_i$) usando uma função sigmoide centrada no ponto de corte clínico ($C=25,5$).
2. Modulador de Probabilidade MoCA: Um modulador inovador que repondera a perda com base na discrepância entre a probabilidade prevista pelo modelo ($p_i$) e a expectativa derivada do MoCA ($s_i$). Amostras onde a previsão diverge da expectativa baseada na pontuação são sobreponderadas.
3. Ponderação Adaptativa por Amostra: Corrige as frequências desiguais de sujeitos entre os intervalos de pontuação MoCA (ponderação adaptativa de bins do MoCA), garantindo que casos raros e limítrofes não sejam ignorados.

2.3 Estratégias de Treinamento

O framework emprega várias estratégias direcionadas de aumento e amostragem:

• Inversão de Imagem: Inverter as intensidades de pixels para alinhar os desenhos de fundo branco com as estatísticas de imagens naturais do DINOv2 pré-treinado.
• Amostragem de Lote Equilibrada por Classe: Garantindo representação igual de classes em cada lote.
• Mixup de Preservação de Tipo: Interpola imagens e rótulos dentro do mesmo tipo de desenho para manter a coerência clínica.
• Troca de Desenho de Vizinho de MoCA: Substituindo um ou dois desenhos em um trio com aqueles de um sujeito com pontuação MoCA semelhante para aumentar a diversidade estrutural.

3. Principais Contribuições

1. Classificação Interpretável e com Eficiência de Parâmetros: O framework utiliza um modelo de fundação com pesos congelados com apenas 1,19 milhão de parâmetros treináveis (menos de 6% do total). Ele gera mapas de atenção espacial e pesos de importância de modalidade como subprodutos diretos do processo de inferência.
2. Perda Focal Consciente do MoCA: Uma formulação de perda unificada que generaliza estritamente métodos anteriores de rótulos suaves ao incorporar pontuações cognitivas contínuas no alvo de treinamento, modulação de perda e ponderação adaptativa.
3. Aumento Direcionado: Estratégias especificamente desenhadas para abordar o hiato do domínio fotométrico (inversão de imagem) e a diversidade limitada de conjuntos de dados neuropsicológicos (troca de desenho, Mixup de preservação de tipo).

4. Resultados Experimentais

O modelo foi avaliado em um conjunto de dados de 918 sujeitos (651 saudáveis, 267 MCI) usando validação cruzada de cinco dobras estratificada.

• Desempenho: A arquitetura proposta alcançou um F1 score da classe MCI de 0,641 ± 0,026 e um AUC de 0,795 ± 0,024.
• Comparação: Superou a baseline ResViT (um modelo híbrido ResNet50/ViT) em 0,110 no F1 da classe MCI, apesar de usar significativamente menos parâmetros treináveis.
• Estudos de Ablação:
  • A remoção do modulador de probabilidade MoCA causou a maior queda de desempenho (F1MCI diminuiu 0,017), confirmando seu papel crítico no tratamento da ambiguidade de fronteira.
  • Os tokens de prompt específicos por tarefa mostraram-se superiores aos tokens compartilhados ou abordagens baseadas apenas em CLS, pois permitem que o modelo se especialize em déficits específicos da tarefa em vez de mediá-los.
  • O ajuste de prompt (prompt tuning) superou as estratégias LoRA e Top Tuning, alcançando o melhor recall de MCI com o menor número de parâmetros adicionais.

5. Significância e Alegações

O artigo afirma que a complexidade arquitetônica (empilhamento de múltiplas redes grandes) é desnecessária para esta tarefa. Em vez disso, um modelo de fundação de visão auto-supervisionado, quando adaptado via ajuste de prompt leve e específico para a tarefa, fornece uma base superior.

As principais alegações de significância incluem:

• Eficiência: O método alcança o estado da arte com uma fração dos parâmetros treináveis exigidos pelo ajuste fino total ou arquiteturas híbridas.
• Interpretabilidade Intrínseca: Ao contrário de trabalhos anteriores que dependem de aproximações post-hoc, este framework fornece mapas de saliência espacial e escores de importância de modalidade como consequências estruturais inerentes da arquitetura.
• Tratamento da Ambiguidade: A perda focal adaptada ao MoCA aborda efetivamente a incerteza inerente próximo às fronteiras clínicas, aproveitando pontuações cognitivas contínuas em vez de rótulos binários rígidos.
• Relevância Clínica: A capacidade de identificar qual modalidade de desenho específica (relógio, cubo ou trilha) impulsionou uma previsão oferece um nível de interpretabilidade potencialmente útil para o suporte à decisão clínica, embora os autores observem que isso requer validação futura contra o julgamento de especialistas.

Os autores mantêm uma postura modesta, reconhecendo limitações como o uso de um único conjunto de dados de uma única instituição, a exclusão de dados cinemáticos temporais (velocidade/pressão da caneta) e a necessidade de validação externa dos pesos de modalidade contra especialistas clínicos.