Resumo Técnico: MIFR – Um Framework de Representação Invariante à Modalidade e Justa para Classificação de Doenças de Pele

1. Declaração do Problema

O diagnóstico de doenças de pele via aprendizado profundo enfrenta duas barreiras críticas para a implantação clínica no mundo real:

1. Heterogeneidade de Modalidade: Lesões de pele são capturadas através de modalidades de imagem heterogêneas, principalmente fotografias clínicas e imagens dermoscópicas. Modelos existentes frequentemente dependem de uma única modalidade, o que pode ser insuficiente para um diagnóstico preciso.
2. Disparidades Demográficas: Datasets públicos de dermatologia são dominados por tons de pele mais claros (Tipos de Pele Fitzpatrick I–III), fazendo com que os modelos tenham um desempenho significativamente inferior em peles mais escuras (FST IV–VI). Isso perpetua disparidades na saúde.

Abordagens atuais geralmente tratam esses problemas de forma isolada. Métodos focados em justiça (ex: FairDisCo, PatchAlign) operam geralmente em modalidades únicas, enquanto modelos de fundação multimodais (ex: PanDerm) muitas vezes carecem de restrições explícitas de justiça. Além disso, muitos métodos de justiça exigem rótulos de atributos sensíveis (tom de pele) no momento da inferência, o que é impraticável em ambientes clínicos.

2. Metodologia: O Framework MIFR

Os autores propõem o MIFR (Modality-Invariant and Fair Representation), uma arquitetura de duplo codificador projetada para processar conjuntamente imagens clínicas e dermoscópicas, enquanto impõe justiça sem exigir atributos sensíveis durante a inferência.

2.1 Arquitetura

• Duplos Codificadores: O modelo emprega dois codificadores Vision Transformer (ViT-Small) independentes: um para imagens clínicas ($f^c_\theta$) e um para imagens dermoscópicas ($f^d_\phi$).
• Cabeças de Projeção: A saída de cada codificador é passada por uma cabeça de projeção específica da modalidade (um MLP com normalização de lote e ativações GELU) para mapear as entradas em um espaço de incorporação (embedding) compartilhado de alta dimensão ($\mathbb{R}^{512}$).
• Flexibilidade de Inferência: Na inferência, os ramos auxiliares são descartados. O modelo pode operar em imagens clínicas, imagens dermoscópicas ou ambas, eliminando a necessidade de modelos especializados separados.

2.2 Função de Perda Multiobjetivo

O processo de treinamento otimiza uma função de perda unificada ($L_{Total}$) composta por cinco componentes:

1. Classificação Alvo ($L_{cls}$): Uma perda de entropia cruzada ponderada que aborda o desequilíbrio de classes para garantir uma previsão de doença precisa ($y_i$).
2. Ramo de Atributo de Tom de Pele (SA): Um mecanismo adversarial para remover o viés de tom de pele ($s_i$) das características sem precisar de $s_i$ na inferência.
   • Perda de Confusão ($L_{conf}$): Treina o codificador principal para tornar o classificador de tom de pele incerto (maximizando a entropia), ocultando efetivamente as pistas de tom de pele.
   • Perda de Pele ($L_{skin}$): Treina o classificador de tom de pele auxiliar para prever o rótulo real, evitando que o codificador colapse em uma solução trivial.
3. Ramo Contrastivo ($L_{contr}$): Uma perda contrastiva supervisionada aplicada por modalidade para aproximar os embeddings da mesma classe de doença e afastar classes diferentes, estabelecendo compacidade intra-classe.
4. Ramo de Invariância de Modalidade ($L_{MI}$): Baseado em VICReg, este ramo impõe o alinhamento entre os embeddings clínicos e dermoscópicos da mesma lesão. Inclui:
   • Invariância ($L_{inv}$): Minimiza a distância de cosseno entre embeddings pareados.
   • Variância ($L_{var}$): Previne o colapso dimensional, garantindo variância suficiente em cada dimensão de embedding.
   • Covariância ($L_{cov}$): Descorrelacionar as dimensões de embedding para reduzir a redundância.

3. Configuração Experimental

• Datasets:
  • Treinamento Interno: Datasets pareados HIBA (1.195 imagens com FST) e Derm7pt (1.738 imagens com FST estimado), filtrados para Melanoma (MEL), Nevus (NV) e Carcinoma Basocelular (BCC).
  • Benchmarks Externos: PAD-UFES-20 (imagens clínicas) e ISIC 2019 (imagens dermoscópicas).
• Baselines: Comparação contra FairDisCo e PatchAlign.
• Métricas: Acurácia (Acc), F1-score, AUC, Qualidade de Disparidade Preditiva (PQD) e Gap de Acurácia ($\Delta$Acc).

4. Resultados Principais

4.1 Desempenho Interno (HIBA + Derm7pt)

• Justiça (Fairness): O modelo MIFR completo alcançou um PQD de 87,23%, superando substancialmente o FairDisCo (66,67%) e o PatchAlign (82,98%).
• Acurácia: O MIFR alcançou 93,33% de acurácia e 92,17% de F1-score. Embora ligeiramente inferior aos baselines (93,81%), o desempenho permanece altamente competitivo.
• Ablação: A combinação de aprendizado contrastivo e invariância de modalidade (BASE+Contr+MI) resultou no menor gap de acurácia (0,0265), sugerindo que a invariância de modalidade promove implicitamente a justiça.

4.2 Generalização Externa

• PAD-UFES-20 (Clínica): O MIFR superou significativamente os baselines em Acurácia (85,10% vs. 78,35% para FairDisCo) e AUC (91,89% vs. 83,44%).
• ISIC 2019 (Dermoscópica): O MIFR alcançou 76,64% de acurácia, igualando o FairDisCo e superando o PatchAlign. No entanto, o AUC (80,50%) foi inferior ao modelo base (86,62%). Os autores atribuem isso ao trade-off onde a imposição de invariância de modalidade sacrifica parte da discriminação específica da modalidade em favor da generalização entre modalidades.

4.3 Visualização

Visualizações t-SNE confirmaram que:

1. Os embeddings clínicos e dermoscópicos da mesma doença estão geometricamente alinhados (invariância de modalidade).
2. Os tons de pele estão quase perfeitamente misturados dentro dos clusters de doenças, indicando a remoção do viés de tom de pele (justiça).

5. Significância e Alegações

O artigo alega que o MIFR representa um passo significativo em direção ao diagnóstico de doenças de pele equitativo e robusto ao:

• Unificar Objetivos: Tratar com sucesso a invariância de modalidade e a justiça como um problema de otimização conjunta, em vez de desafios separados.
• Implantação Prática: Eliminar a necessidade de rótulos de atributos sensíveis no momento da inferência, um requisito que limita muitos métodos de justiça existentes.
• Robustez entre Datasets: Demonstrar generalização superior em benchmarks externos (PAD-UFES-20), validando sua aplicabilidade em cenários do mundo real onde as distribuições de dados mudam.

6. Limitações e Direções Futuras

Os autores reconhecem restrições específicas:

• Dependência de Dados: O framework depende de dados de treinamento pareados (imagens clínicas e dermoscópicas da mesma lesão), que são frequentemente escassos.
• Custo Computacional: A arquitetura de duplo codificador aumenta o overhead computacional em comparação com modelos de codificador único.
• Viés de Dataset: O estudo utilizou repositórios internacionais que carecem de dados de lesões de pele africanas. Os autores observam que os datasets públicos permanecem enviesados para tons de pele mais claros, e adaptar o MIFR para datasets clínicos africanos (ex: eSkinHealth) é uma direção futura necessária para abordar o subdesempenho específico de métodos anteriores em FST IV–VI.
• Ajuste de Hiperparâmetros: A interação entre os cinco pesos de perda exigiu ajuste manual no conjunto de validação, em vez de uma busca exaustiva, o que pode não garantir o desempenho ideal.