Foundation Model-Enabled Efficient Data Sampling (FEEDS): A label-efficient training strategy for pan-cancer, multi-tracer PET/CT datasets

Resumo Técnico: FEEDS (Foundation Model-Enabled Efficient Data Sampling)

Definição do Problema
A segmentação automatizada de lesões em tomografia computadorizada por emissão de pósitrons/tomografia computadorizada (PET/CT) de corpo inteiro é crítica para a detecção, estadiamento e planejamento de tratamento do câncer. No entanto, o desenvolvimento de modelos robustos, pan-cancerosos e multi-traçadores exige conjuntos de dados anotados extensos. A criação desses conjuntos de dados consome muito tempo e expertise devido à heterogeneidade no tamanho, distribuição e aparência das lesões entre diferentes tipos de câncer e radiotraçadores (ex: FDG vs. PSMA). Consequentemente, modelos treinados com dados rotulados limitados carecem da precisão e generalização necessárias para o uso clínico. Abordagens existentes para mitigar a escassez de rótulos — como pré-treinamento não supervisionado, aprendizado semissupervisionado (SSL) e aprendizado ativo — tipicamente exigem ciclos de treinamento iterativos, recursos computacionais significativos ou são restritas a configurações de traçador único ou doença única. Além disso, muitos estudos baseiam-se exclusivamente em métricas de nível de voxel (ex: coeficiente Dice), falhando em avaliar a utilidade clínica ao nível de lesão ou região anatômica, o que é essencial para o planejamento de tratamento.

Metodologia
Os autores propõem o FEEDS (Foundation Model-Enabled Efficient Data Sampling), uma estratégia de treinamento eficiente em termos de rótulos e computação, projetada para selecionar os casos não rotulados mais informativos e diversos para anotação por especialistas antes do treinamento do modelo. O método opera em três etapas distintas:

1. Extração de Características de Modelo de Fundação: Para cada imagem 3D de PET, uma Projeção de Intensidade Máxima (MIP) é gerada e normalizada. Essas MIPs são passadas através de um modelo de visão de fundação DinoV2 pré-treinado (treinado em 142 milhões de imagens naturais) para extrair representações de tokens de nível de imagem de 768 dimensões.
2. Seleção Baseada em Diversidade: O método calcula a distância de cosseno entre os embeddings de um pequeno pool rotulado fixo ($N_L$) e o pool não rotulado ($N_U$) para cada tipo específico de traçador (FDG ou PSMA). Para cada caso não rotulado, a distância mínima para o conjunto rotulado é computada. Os casos com as maiores distâncias (ou seja, aqueles menos representados no conjunto rotulado atual) são selecionados para anotação. Este processo é realizado independentemente para cada traçador para preservar a proporção FDG:PSMA, priorizando simultaneamente padrões de varredura sub-representados, como tipos de câncer raros ou distribuições de captação incomuns.
3. Treinamento do Modelo de Segmentação: Os casos diversos recém-anotados são combinados com o pool rotulado inicial fixo para treinar um único modelo nnU-Net para segmentação de lesões de corpo inteiro. Isso constitui um paradigma de treinamento de etapa única, evitando os loops iterativos exigidos pelo aprendizado ativo ou SSL.

Principais Contribuições

• Paradigma de Treinamento de Etapa Única: Ao contrário dos métodos de aprendizado ativo ou SSL que exigem retreinamento ou pré-treinamento iterativo, o FEEDS realiza uma seleção de casos inicial única seguida por uma única fase de treinamento supervisionado, reduzindo significativamente os custos computacionais.
• Agnóstico a Traçadores e Doenças: A estratégia é projetada para conjuntos de dados pan-cancerosos e multi-traçadores sem exigir adaptação específica da tarefa para o extrator de características.
• Avaliação Abrangente: O estudo vai além das métricas padrão de nível de voxel para incluir avaliações de nível de lesão (contagem e detecção) e de nível de região anatômica (fígado, pulmão, ossos de alto risco), que são diretamente relevantes para o planejamento de tratamento clínico.
• Disponibilidade Pública: O código está disponível publicamente no GitHub.

Resultos Experimentais
Os autores treinaram e validaram o FEEDS utilizando o conjunto de dados AutoPET-III (1.043 varreduras de treinamento) e avaliaram o desempenho em três conjuntos de teste: AutoPET-III, Deep-PSMA e um conjunto interno do Dartmouth-Hitchcock Medical Center (DHMC).

• Desempenho vs. Amostragem Aleatória: O FEEDS superou consistentemente as estratégias de amostragem aleatória em todas as métricas. Em um orçamento de rotulagem de 30% (10% fixos + 20% selecionados pelo FEEDS), o FEEDS alcançou um score Dice comparável aos modelos treinados com 100% dos dados rotulados (ex: 0,645 vs. 0,655 na validação do AutoPET-III), enquanto reduziu significativamente o Volume de Falsos Negativos (FNVol) em comparação com a amostragem aleatória.
• Generalização: O FEEDS generalizou-se eficazmente em todos os três conjuntos de teste e em ambos os traçadores, FDG e PSMA. Notavelmente, no conjunto de dados DHMC (que utilizou um scanner novo e diferente), o modelo treinado com 100% dos dados do AutoPET-III teve um desempenho inferior ao baseline de 10%, enquanto o FEFFS (orçamento de 30%) alcançou um score Dice mais alto e um volume de falsos positivos menor, sugerindo melhor robustez ao desvio de domínio (domain shift).
• Utilidade Clínica:
  • Nível de Lesão: O FEFFS alcançou maior sensibilidade de lesão (0,743) e Valor Preditivo Positivo (PPV) (0,821) em comparação com a amostragem aleatória e até superou o modelo com 100% de rótulos em PPV.
  • Nível de Região: O FEFFS demonstrou desempenho superior em regiões anatômicas de alto risco (fígado, pulmão, ossos de alto risco), alcançando menores Volumes de Falsos Negativos, o que é crítico para evitar a perda de lesões de alto risco.
  • Falsos Positivos: O FEFFS reduziu significativamente o Volume de Falsos Positivos (FPVol) em comparação com a amostragem aleatória, particularmente em casos de doença negativa, indicando melhor especificidade.
• Comparação com Outros Métodos: O FEFFS superou a amostragem por Processo de Ponto Determinantal (DPP) e o aprendizado semissupervisionado baseado em pseudo-rótulos (que teve desempenho inferior ao baseline de 10%, provavelmente devido a pseudo-rótulos ruidosos).

Significância e Alegações
O artigo afirma que o FEFFS aborda o desafio da escassez de rótulos ao fornecer uma abordagem prática para construir filas de anotação representativas e diversas a partir de grandes repositórios clínicos não anotados. Ao utilizar embeddings de modelos de fundação para identificar "lacunas" na distribuição de treinamento, o FEFFS permite a construção de modelos de segmentação de alto desempenho com 70% menos carga de anotação do que o treinamento totalmente supervisionado.

Os autores enfatizam que o FEFFS foi projetado para implantação clínica prática. Ele permite que os radiologistas foquem os esforços de anotação nos casos mais informativos, em vez de amostras aleatórias, otimizando assim o tempo limitado dos especialistas. O método é apresentado como uma solução escalável para grandes repositórios de imagens médicas não anotadas, não exigindo treinamento iterativo e oferecendo forte generalização entre diferentes scanners, traçadores e tipos de câncer. O estudo conclui que o FEFFS iguala o desempenho do treinamento com rotulagem total (100%) com uma fração dos dados, tornando-o uma estratégia viável para acelerar o desenvolvimento de ferramentas de IA de nível clínico em oncologia.