Resumo Técnico: ReCAP para Detecção de Anomalias Médicas Livre de Linguagem

Definição do Problema

A detecção de anomalias (AD) médica visa identificar imagens anormais e localizar regiões de lesões sob supervisão limitada, um requisito crítico dada a raridade, diversidade e altos custos de anotação de lesões médicas. Um detector prático deve generalizar entre diversos órgãos (ex: cérebro, fígado, retina) e modalidades (MRI, CT, X-ray, OCT) sem exigir anotações extensas do domínio alvo.

Abordagens baseadas em CLIP existentes tentam reduzir o ônus da anotação aproveitando o alinhamento visão-linguagem. No entanto, esses métodos dependem tipicamente de âncoras de anomalia estáticas — seja por meio de prompts de texto fixos (ex: "normal" vs. "anormal") ou tokens visuais aprendidos — que permanecem inalterados em todas as imagens de teste. Em cenários médicos cross-domain, onde a aparência normal varia significativamente devido a estruturas anatômicas e protocolos de imagem, essas referências estáticas frequentemente falham em transferir de forma confiável. Elas sofrem de três limitações primárias:

1. Imprecisão Semântica: Prompts de texto fornecem supervisão genérica que tem dificuldade em capturar desvios médicos sutis e localizados.
2. Descalibragem Cross-Domain: Âncoras visuais aprendidas, mesmo sem texto, definem fronteiras fixas que podem estar mal posicionadas para domínios alvo não vistos.
3. Falta de Adaptação ao Nível de Instância: Âncoras globais compactas não conseguem preservar os diversos padrões normais necessários para uma localização refinada, especialmente em configurações de poucos disparos (few-shot).

Metodologia: ReCAP

Os autores propõem o ReCAP (Re-Centered Anomaly Prototypes), um framework livre de linguagem projetado para detecção de anomalias médicas zero-shot e few-shot. O ReCAP substitui âncoras estáticas por protótipos visuais condicionados à entrada que se adaptam ao contexto global de cada imagem de consulta sem exigir prompts de texto ou atualizações de gradiente em tempo de teste.

Componentes Principais

1. Extração de Características Multi-Nível:
   O ReCAP utiliza um codificador visual CLIP congelado (ViT-L/14) aumentado com adaptadores leves de segmentação e detecção inseridos em camadas selecionadas do transformer. Isso extrai tokens de patch $\ell_2$-normalizados de múltiplos níveis, preservando a fidelidade espacial para localização e respostas discriminativas para classificação.

2. Modulação de Protótipo Condicional:
   Em vez de usar protótipos fixos, o ReCAP aprende um par de protótipos visuais normais ($q_n$) e anormais ($q_a$). Para cada imagem de entrada, esses protótipos são recentralizados com base no contexto global da imagem.

   • Descritor de Contexto: Um vetor de contexto global $c_l(x)$ é derivado através do average-pooling e normalização dos tokens de patch da consulta.
   • Modulação de Portão Limitada (Bounded Gated Modulation): Os protótipos são atualizados via um resíduo de portão limitado:
     $$\tilde{q}_{l}^{z} = \text{Norm}\left(q_{l}^{z} + \sigma(\beta_{l}^{z}) \cdot \eta \cdot \tanh(W_{l}^{z} c_{l}(x))\right)$$
     Este design é crítico: como o contexto é obtido via pooling de toda a imagem (que pode conter a lesão), uma modulação não restrita poderia deslocar a âncora "normal" em direção à anomalia, classificando-a falsamente como normal. A natureza limitada (via $\tanh$) e o portão aprendível ($\sigma(\beta)$) garantem que a adaptação permaneça controlada, evitando que o protótipo colapse sobre o conteúdo anômalo enquanto ainda se desloca em direção à distribuição do domínio alvo.

3. Mecanismos de Pontuação (Scoring):

   • Ramo de Protótipo: As pontuações de anomalia são computadas via logitos de cosseno escalonados entre os patches da consulta e os protótipos condicionados.
   • Ramo de Memória (Apenas para Few-Shot): Para capturar variações normais de nível de instância em configurações few-shot, o ReCAP constrói um banco de memória de referência normal não paramétrico a partir de imagens de suporte normais. Os patches da consulta são pontuados com base na distância de cosseno do vizinho mais próximo para esta memória.

4. Fusão e Inferência:

   • Fusão de Camadas: Evidências de múltiplas camadas do transformer são agregadas usando pesos aprendíveis e top-k pooling para produzir pontuações robustas de nível de imagem e mapas de nível de pixel.
   • Fusão de Ramos: Em configurações few-shot, a pontuação baseada em protótipo e a pontuação baseada em memória são fundidas com um peso aprendível $\lambda$. Em configurações zero-shot, o ramo de memória é desativado ($\lambda=0$).

5. Objetivos de Treinamento:
   O modelo é otimizado usando uma combinação de perda de localização de nível de pixel (focal + Dice), perda de detecção de nível de imagem (entropia cruzada binária) e um regularizador de separação de protótipos que impõe uma margem entre os protótipos base normal e anormal antes da condicionamento.

Principais Contribuições

1. Identificação de Âncoras Estáticas como uma Limitação: O artigo identifica que referências de anomalia fixas em métodos baseados em CLIP dificultam a generalização cross-domain em imagens médicas e propõe protótipos visuais condicionados à entrada como solução.
2. Modulação de Protótipo de Portão Limitado: Um mecanismo inovador que recentraliza protótipos normais/anormais de acordo com o contexto de entrada, enquanto restringe estritamente o deslocamento para evitar o "drift" em direção ao conteúdo anômalo, permitindo adaptação livre de gradiente.
3. Framework Integrado de Few-Shot: A combinação de protótipos condicionais com uma memória de referência normal não paramétrica e fusão multi-camada, alcançando desempenho estado-da-arte tanto em detecção de nível de imagem quanto em localização de nível de pixel em seis benchmarks.

Resultados Experimentais

O ReCAP foi avaliado em seis conjuntos de dados médicos (BrainMRI, LiverCT, RESC, OCT17, ChestXray, HIS) cobrindo cinco domínios de imagem sob configurações zero-shot e few-shot (K=2, 4, 8, 16).

• Desempenho Zero-Shot: O ReCAP alcançou o melhor AUROC de nível de imagem em todos os seis datasets e o melhor AUROC de nível de pixel em todos os três datasets de segmentação, superando tanto os métodos CLIP baseados em prompts quanto o baseline VisualAD livre de linguagem.
• Desempenho Few-Shot: O ReCAP alcançou o melhor AUROC de nível de imagem em 23 de 24 configurações few-shot (entre K=2 e K=4) e o melhor AUROC de nível de pixel em todos os datasets de segmentação.
• Eficiência: O ReCAP demonstrou eficiência de inferência superior, reduzindo a latência em mais de 70% em comparação ao baseline mais rápido (VisualAD). Por exemplo, a inferência zero-shot levou 17,4 ms por imagem comparado a 66,1 ms para o VisualAD, atribuído à ausência de codificação de texto e interações complexas de tokens.
• Análise Qualitativa: Visualizações mostraram que o ReCAP produz respostas de anomalia mais compactas e alinhadas com as lesões de verdade fundamental (ground-truth), com menos falsos positivos em estruturas anatômicas normais comparado a baselines como APRIL-GAN e MVFA.

Significância e Alegações

O artigo afirma que o ReCAP estabelece a adaptação de protótipo visual controlada como uma alternativa eficaz à modelagem de anomalias baseada em linguagem na imagem médica. Ao eliminar a necessidade de prompts de texto e atualizações de gradiente em tempo de teste, o ReCAP oferece uma solução robusta e livre de linguagem que generaliza bem através de estruturas anatômicas e modalidades não vistas.

Os autores enfatem que o mecanismo de modulação limitada é a chave para o sucesso, permitindo que o modelo se adapte aos domínios alvo sem comprometer a fronteira discriminativa entre normal e anormal. Embora a avaliação atual foque em benchmarks 2D, os autores observam que estender o ReCAP para dados clínicos volumétricos e multimodais permanece uma importante direção futura. O trabalho sugere que, para triagens clínicas sensíveis ao tempo, a combinação de alta precisão e baixa latência de inferência torna o ReCAP particularmente adequado para implantação prática.