Resumo Técnico: C2A – Acoplamento de Evidência Espacial com Priores Clínicos via Atenção de Classe Consciente de Coocorrência

1. Definição do Problema

A interpretação de radiografias de tórax (CXR) é inerentemente uma tarefa multi-rótulo, onde uma única imagem frequentemente contém múltiplas patologias concomitantes. Classificadores multi-rótulo padrão dependem tipicamente de descritores globais compartilhados derivados de um Global Average Pooling (GAP) de mapas de características. Esta abordagem apresenta duas limitações críticas:

1. Perda de Especificidade Espacial: O GAP dilui evidências visuais localizadas, particularmente para patologias focais (ex: pequenos nódulos ou opacidades específicas), ao mediá-las com o tecido saudável.
2. Negligência do Contexto Clínico: Modelos padrão tratam alvos de doenças como estatisticamente independentes. No entanto, achados torácicos são fisiologicamente acoplados (ex: edema pulmonar cardiogênico frequentemente coocorre com uma silhueta cardíaca aumentada). Radiologistas interpretam achados no contexto de outros, mas arquiteturas padrão pontuam cada achado a partir de um único vetor espacialmente médio, falhando em utilizar essas dependências clínicas.

Soluções existentes frequentemente abordam esses problemas de forma isolada: mecanismos de atenção melhoram a localização, mas ignoram dependências de rótulos, enquanto métodos baseados em grafos modelam a coocorrência de rótulos, mas operam sobre embeddings abstratos desconectados da evidência espacial localizada.

2. Metodologia

Os autores propõem o C2A (Co-occurrence Aware Class Attention), um cabeçalho de classificação leve projetado para acoplar explicitamente a evidência espacial com os priores clínicos. A arquitetura opera em três estágios sequenciais:

2.1. Formação de Características Consciente de Contexto

A imagem de entrada é processada por um backbone DenseNet-121. Para enriquecer os descritores locais com contexto global, as características brutas passam por um módulo de Guided Context Gating (GCG). Este módulo agrega o contexto global via um gargalo de autoatenção para produzir um sinal de orientação, que modula espacialmente o mapa de características. Diferente de pipelines padrão, o C2A preserva a resolução espacial dessas características moduladas em vez de colapsá-las imediatamente.

2.2. Evidência Espacial Específica por Classe

Em vez do GAP, o C2A utiliza Expectation Pooling para isolar o suporte espacial para cada patologia:

• Uma convolução $1 \times 1$ gera $C$ mapas de pontuação específicos por classe.
• Esses mapas são normalizados via softmax espacial para formar distribuições de probabilidade ($a_c$) sobre a imagem.
• O descritor para a classe $c$ ($z_c$) é computado como a expectativa das características moduladas sob esta distribuição aprendida: $z_c = \sum a_{c,p} \tilde{F}_p$.
• Esta formulação permite que o modelo atue como um seletor suave e aprendível, revertendo para um descritor global compartilhado quando a localização não é informativa, mas tornando-se nítido em direção a regiões específicas da doença quando necessário.

2.3. Construção de Grafo de Priores Clínicos

Os descritores isolados ($Z$) são tratados como nós em um grafo direcionado para troca de contexto.

• Warm-Start: A matriz de adjacência do grafo $A$ é inicializada usando a matriz de coocorrência condicional empírica $M$ derivada dos rótulos de treinamento ($M_{ij} \approx P(y_i=1|y_j=1)$). Isso captura dependências clínicas assimétricas (ex: um achado raro dependendo de um comum).
• Aprendibilidade: A adjacência é parametrizada por uma matriz aprendível $\Theta$, normalizada por linha via softmax. O warm-start garante que o modelo comece com priores clinicamente fundamentados, mas permite que o gradiente ajuste as arestas se a evidência visual contradisser as estatísticas.

2.4. Passagem de Mensagem e Decodificação Bilinear

Um único passo de passagem de mensagem residual atualiza as representações dos nós:
$$z'_i = z_i + \sum_{j=1}^C A_{ij} W_g z_j$$
onde $W_g$ é uma matriz de projeção restrita via normalização espectral para garantir estabilidade. Os autores provam que este acoplamento é uma perturbação limitada da identidade, garantindo que uma classe nunca perca sua própria evidência espacial.

O logit final para a classe $i$ decompõe-se exatamente em uma interação bilinear:
$$\ell_i = \underbrace{z_i^\top w_i}_{\text{evidência espacial própria}} + \underbrace{\sum_{j} A_{ij} z_j^\top (W_g^\top w_i)}_{\text{evidência de contexto clínico}}$$
Esta estrutura modela explicitamente como o descritor de um vizinho $j$ interage com o classificador da classe $i$, regulado pelo peso de coocorrência aprendido $A_{ij}$.

3. Principais Contribuições

• Inovação Arquitetural: O C2A substitui o global pooling pelo expectation pooling específico por classe, extraindo descritores isolados para cada patologia antes da classificação.
• Acoplamento Explícito: Introduz um mecanismo para acoplar esses descritores espaciais via um grafo com warm-start baseado na coocorrência empírica de rótulos, unindo a localização espacial e a modelagem de dependência de rótulos.
• Garantias Teóricas: Os autores fornecem uma prova de que a atualização de passagem de mensagem é uma perturbação bem condicionada e limitada, garantindo estabilidade e interpretabilidade.
• Eficiência: O método adiciona um custo computacional desprezível (uma projeção linear e uma matriz de arestas $C \times C$) enquanto alcança ganhos significativos de desempenho.

4. Resultados Experimentais

O modelo foi avaliado no conjunto de dados CheXpert (223.414 imagens de treinamento) focando em cinco tarefas de alta prevalência: Cardiomegalia, Edema, Consolidação, Atelectasia e Derrame Pleural.

• Desempenho: O C2A alcançou um AUROC macro-médio de 0,895, superando baselines de modulação de contexto como o Guided Context Gating (GCG) em 0,76%.
• Ganhos Direcionados: As melhorias concentraram-se em classes com evidência espacial ambígua. Notavelmente, o C2A melhorou a detecção de Atelectasia em +1,48% sobre o GCG e +0,64% sobre o CBAM, efetivamente "resgatando" o desempenho onde o global pooling falhou.
• Eficiência: Apesar da complexidade adicional, o overhead computacional foi desprezível (6,01 GFLOPs vs. 6,00 GFLOPs para o GCG), com a latência de inferência permanecendo competitiva (~24,35 ms/imagem).
• Interpretabilidade: A análise qualitativa via Grad-CAM++ demonstrou que o C2A elimina o "viés central" (center bias) comum em baselines de pooling. Ele localizou corretamente opacidades pulmonares periféricas e achados focais distintos para patologias concomitantes, enquanto os baselines frequentemente ancoravam a atenção na silhueta cardíaca, independentemente da patologia específica.

5. Significância e Alegações

O artigo afirma que o C2A valida a hipótese de que modelar explicitamente a coocorrência atua como um regularizador interpretável. Ao redistribuir a capacidade da rede para doenças com evidência autônoma fraca através do empréstimo de contexto espacial de achados coocorrentes, o modelo alcança ganhos diagnósticos direcionados sem sacrificar a escalabilidade.

Os autores enfatizam que o C2A fornece uma cadeia de raciocínio transparente: a decomposição bilinear permite que clínicos verifiquem não apenas a predição, mas também as regiões específicas da imagem que sustentam a decisão e quais achados relacionados influenciaram o resultado. A arquitetura é apresentada como um plano de ação escalável e clinicamente fundamentado para análise de imagens médicas multi-rótulo, capaz de lidar com o cenário completo de 14 classes do CheXpert com mínimo excesso de parâmetros.