A Hybrid CNN-Transformer Deep Learning Model for Differentiating Benign and Malignant Breast Tumors Using Multi-View Ultrasound Images

Resumo Técnico: Um Modelo de Aprendizado Profundo Híbrido CNN-Transformer para Diferenciação de Tumores Mamários

Declaração do Problema
O câncer de mama continua sendo uma das principais malignidades globais, exigindo diagnóstico precoce e preciso. Embora a ultrassonografia seja uma ferramenta de triagem fundamental e não invasiva, sua precisão diagnóstica depende fortemente da experiência do operador e frequentemente baseia-se na análise de uma única imagem. Essa abordagem falha em capturar as características abrangentes e multidimensionais de uma lesão que os clínicos sintetizam ao realizar o escaneamento a partir de múltiplos ângulos e planos. Além disso, estudos de aprendizado profundo existentes frequentemente tratam imagens de ultrassom 2D individuais como amostras independentes, divergindo dos fluxos de trabalho clínicos onde o diagnóstico depende de evidências cumulativas de uma sequência de imagens. Adicionalmente, modelos sequenciais padrão como RNNs são inadequados para os conjuntos desordenados de imagens típicos em exames de ultrassom, e a partição aleatória de dados frequentemente leva ao vazamento de dados (data leakage), inflando artificialmente as métricas de desempenho.

Metodologia
O estudo propõe um novo sistema de Diagnóstico Auxiliado por Computador (CAD) que emula o processo de diagnóstico multivista de um clínico utilizando uma arquitetura de aprendizado profundo híbrida.

• Estratégia de Dados: O estudo utilizou um conjunto de dados retrospectivo de dois hospitais (840 pacientes internos, 133 externos) e um conjunto de validação prospectiva (188 novas lesões). Uma rigorosa estratégia de partição de dados ao nível da lesão foi empregada, garantindo que todas as imagens de um único tumor fossem atribuídas exclusivamente ao conjunto de treinamento, validação ou teste, para evitar o vazamento de dados.
• Pré-processamento: As imagens DICOM brutas foram recortadas para isolar as lesões, redimensionadas para 300×300 pixels e normalizadas. Para lidar com a contagem variável de imagens por lesão (2 a 10 imagens), os autores implementaram uma estratégia de comprimento fixo (máximo de 10 imagens) usando preenchimento com zeros (zero-padding) e uma máscara de atenção para garantir que as imagens fictícias de preenchimento não influenciassem o modelo.
• Arquitetura do Modelo:
  • Backbone (Extração de Características Locais): Um modelo EfficientNetV2 pré-treinado extrai características espaciais de cada imagem de ultrassom individualmente.
  • Fusão (Integração de Características Globais): Os vetores de características extraídos são enviados para um Codificador Transformer. Crucialmente, o codificação posicional foi removida para impor a invariância de permutação, tratando a entrada como um conjunto desordenado em vez de uma sequência. Isso se alinha à realidade clínica de que a ordem de aquisição das visões de ultrassom é arbitrária.
  • Classificação: Um token de classificação aprendível agrega informações de todas as visões via autoatenção, seguido por um cabeçalho MLP com uma ativação Sigmoid para prever a probabilidade de malignidade.
• Baselines Comparativos: O modelo proposto foi comparado com:
  • Um classificador de imagem única EfficientNetV2.
  • Um modelo apenas de CNN usando média global de características (bag-of-features).
  • Um modelo CNN-RNN (LSTM) para testar hipóteses de dependência sequencial.
  • Arquiteturas de última geração, VGG-ViT, TransMed e MedFormer.

Principais Contribuições

1. Arquitetura Híbrida Inovadora: Desenvolvimento de um modelo de ponta a ponta que integra EfficientNetV2 com um Transformer, projetado especificamente para tratar imagens de ultrassom multivistas como um conjunto desordenado.
2. Rigor Metodológico: Implementação de partição de dados rigorosa ao nível da lesão para eliminar o vazamento de dados e garantir uma avaliação de desempenho generalizável.
3. Alinhamento Clínico: O design do modelo (invariância de permutação) reflete o processo cognitivo clínico de sintetizar informações de múltiplas visões sem depender da ordem de aquisição arbitrária.
4. Validação Abrangente: O estudo inclui testes internos, validação externa entre diferentes fabricantes (GE e Philips) e uma validação prospectiva em um conjunto de dados novo e independente.

Resultados

• Desempenho: No teste interno, o modelo híbrido alcançou uma Acurácia de 0,960 e um AUC de 0,9788. No conjunto de dados externo, manteve um desempenho robusto com uma Acurácia de 0,940 e um AUC de 0,9730.
• Validação Prospectiva: Em um teste prospectivo de 188 novas lesões, o modelo alcançou uma Acurácia de 0,952 e um AUC de 0,9801, confirmando a estabilidade em dados do mundo real temporalmente separados.
• Superioridade Comparativa: O modelo híbrido superou significativamente o baseline de imagem única (AUC 0,95/0,94) e outras arquiteturas (VGG-ViT, TransMed, MedFormer). O estudo de ablação confirmou que o mecanismo de autoatenção do Transformer superou tanto a média simples (CNN-Only) quanto a modelagem sequencial (CNN-RNN), validando a hipótese de que a modelagem de conjuntos desordenados é superior para esta tarefa.
• Generalização: O modelo demonstrou desempenho consistente entre diferentes fabricantes de máquinas de ultrassom (GE LOGIQ E9 vs. Philips EPIQ 7C), indicando que aprende características biologicamente relevantes em vez de artefatos específicos do dispositivo.
• Comparação com Especialistas: Em um teste cego, o modelo (Acurácia 0,960, Sensibilidade 0,967) superou significativamente tanto radiologistas juniores quanto seniores (Acurácia do Especialista Sênior 0,849, Sensibilidade 0,869).
• Eficiência: O modelo demonstrou latência ultra-baixa, com média de 0,0335 segundos por paciente, tornando-o adequado para integração clínica em tempo real.

Significância e Alegações
O artigo afirma que a combinação de CNNs com Transformers produz um sistema de diagnóstico altamente preciso e robusto que se alinha à lógica clínica. Ao fundir eficazmente a informação multivista, o modelo aborda as limitações da análise de imagem única e da dependência do operador. Os autores afirmam que sua abordagem oferece uma solução computacionalmente eficaz para o desafio central da integração multivista, demonstrando que uma arquitetura leve e específica para a tarefa pode superar transformers de uso geral complexos. O estudo conclui que este sistema tem o potencial de melhorar a confiabilidade diagnóstica, reduzir falsos negativos (malignidades perdidas) e diminuir biópsias desnecessárias ao melhorar a especificidade, servindo como uma ferramenta de assistência confiável para clínicos.