Resumo Técnico: Avaliação de IA Generativa de Vídeo para Simulação Padronizada de Pacientes Psiquiátricos com Deterioração Gradual da Higiene

Definição do Problema

O exame do estado mental (MSE) depende fortemente da aparência geral, do asseio e da higiene do paciente como indicadores clínicos imediatos para diagnóstico e monitoramento, particularmente em condições que envolvem negligência pessoal, como esquizofrenia, depressão grave e transtornos neurocognitivos. No entanto, o desenvolvimento de ferramentas de IA clínica e currículos de treinamento é dificultado pela impossibilidade logística de criar bibliotecas de vídeo de pacientes padronizados (SP) que manipulem sistematicamente essas características de aparência.

Os métodos de simulação tradicionais enfrentam limitações físicas e éticas rigorosas: atores não podem, eticamente, passar por mudanças de peso rápidas e clinicamente significativas, nem a filmagem convencional consegue reproduzir facilmente mudanças somáticas ou dermatológicas visíveis associadas ao uso de substâncias ou doenças neurodegenerativas. Consequentemente, o campo carece de estímulos controlados e graduados necessários para calibração diagnóstica, treinamento de confiabilidade interexaminador e validação de sistemas automatizados de fenotipagem. Embora a IA generativa ofereça uma solução potencial, a fidelidade de reanimar o vídeo de um paciente com a aparência deliberadamente alterada permanece não comprovada, particularmente em relação ao risco de artefatos de motricidade fina "alucinados" que poderiam ser interpretados erroneamente como patologia clínica (ex: tremores ou discinesia).

Metodologia

Este estudo piloto investigou a viabilidade técnica de usar o modelo de difusão de vídeo latente Wan2.2-Animate-14B para reanimar pacientes psiquiátricos padronizados com aparências sistematicamente modificadas.

Desenho Experimental:
O estudo empregou um desenho fatorial completo ($2 \times 3 \times 2$) cruzando três variáveis generativas:

1. Arquitetura de Compositing: Modo de animação (gerando o sujeito e o fundo do zero) vs. Modo de substituição (segmentando o sujeito e compondo-o de volta no fundo original preservado).
2. Escala de Classifier-Free Guidance (CFG): Testada nos níveis 1, 4 e 6 para controlar a aderência ao prompt versus diversidade.
3. Retargeting de Pose: Habilitado vs. desabilitado para ajustar os pontos-chave do esqueleto à anatomia de referência.

Geração de Dados:

• Material de Origem: Três identidades de SP ("Ben" com TOC, "Karthik" com Esquizofrenia, "Robbin" com Transtorno Bipolar) foram extraídas de um repositório público validado (Martin et al., 2020).
• Perturbação de Aparência: Retratos estáticos de referência foram extraídos e modificados usando o modelo text-to-image Google Gemini para criar cinco condições: baseline não modificado e quatro níveis crescentes de deterioração da higiene (leve, moderada, acentuada, severa). Os prompts visaram especificamente cabelo, pelos faciais e vestimenta, proibindo alterações na identidade ou geometria somática.
• Pré-processamento: As imagens geradas foram escalonadas via ESRGAN para evitar o colapso temporal durante a difusão.
• Output: O modelo sintetizou 180 vídeos únicos de 10 segundos onde o sujeito de referência executava a cinemática da filmagem motora original.

Métricas de Avaliação:

1. Fidelidade Distribucional: Medida via Distância de Vídeo de Fréchet (FVD) utilizando um extrator de características ResNet3D-18 para quantificar a divergência entre os vídeos gerados e o ground-truth.
2. Plausibilidade Física: Avaliada por um modelo de linguagem de grande escala multimodal (Qwen3-Omni-30B) atuando como um avaliador automatizado ciente de física. O modelo pontuou os vídeos em uma escala ordinal de 5 pontos em cinco dimensões:
   • Consistência de contagem de dedos (S1)
   • Física de movimento articular (S2)
   • Estabilidade de contagem de braços (S4)
   • Conservação de momento cinético (S5)
   • Consistência de sombras (S6)

Análise Estatística:
Equações de Estimativa Generalizada (GEE) foram usadas para análise de FVD, enquanto testes não paramétricos (Kruskal-Wallis, Mann-Whitney U) analisaram as pontuações ordinais de física. Relações dose-resposta entre a severidade da higiene e a qualidade foram avaliadas via correlação de Spearman e GEE ajustada por covariáveis.

Principais Resultados

1. O Modo de Geração Domina a Fidelidade

• O modo de substituição superou significativamente o modo de animação em fidelidade distribucional (Média FVD: 8,6 vs. 19,4; Cohen's $d = 1,84$).
• A decomposição de variância mostrou que o modo de geração explicou 46,1% da variância do FVD, enquanto o nível de higiene explicou 25,6%.
• O modo de animação exigiu a síntese de toda a cena, levando a uma maior deriva distribucional, enquanto o modo de substituição restringiu o espaço generativo à região do sujeito, preservando as estatísticas ambientais.

2. A Severidade da Higiene Degrada a Fidelidade Monotonicamente

• Houve uma associação positiva e monotônica significativa entre a severidade da perturbação da higiene e o FVD ($\rho = 0,479, p < 0,001$).
• À medida que as modificações de aparência se tornavam mais severas (de leve a severa), os vídeos gerados derivavam mais da distribuição do ground-truth. Todos os níveis perturbados diferiram significamente do baseline.

3. A Dissociação FVD-Física

• Achado Crítico: Embora a fidelidade distribucional (FVD) tenha degradado com o aumento da perturbação da higiene, as pontuações de plausibilidade física não seguiram uma tendência semelhante.
• Artefatos de motricidade fina (ex: alucinações de dedos, trajetórias articulares implausíveis) apareceram em taxas comparáveis, independentemente de a imagem de referência estar não modificada ou severamente perturbada.
• Apenas uma dimensão física (Estabilidade de contagem de braços, S4) mostrou uma diferença significativa entre os modos de geração, com o modo de substituição pontuando mais alto.
• A correlação entre o FVD e as dimensões de física foi fraca (a mais forte foi Contagem de braços, $\rho = -0,33$), indicando que um vídeo pode ser distribucionalmente realista, mas ainda conter artefatos anatomicamente impossíveis.

4. Configuração Ótima

• O ranking combinatório identificou o modo de substituição com CFG=1 e retargeting desabilitado como a configuração globalmente ótima para minimizar o FVD enquanto mantém as pontuações de física.

Significância e Alegações

O artigo afirma fornecer a primeira evidência empírica sistemática de que modelos de difusão de vídeo latente podem reanimar pacientes psiquiátricos padronizados com aparências deliberadamente alteradas através de níveis graduados de deterioração da higiene.

O estudo estabelece três conclusões primárias:

1. Viabilidade Técnica: É tecnicamente possível gerar bibliotecas de vídeo com modulação de aparência sem filmagens repetidas, convertendo a produção de estímulos de um processo de gravação laborioso em uma tarefa escalável de geração de vídeo.
2. Necessidade Arquitetural: Para aplicações de treinamento clínico, o modo de substituição é superior ao modo de animação, pois preserva o ambiente espacial e minimiza a deriva distribucional.
3. Limitação dos Modelos Atuais: A persistência de artefatos de motricidade fina, que são invariantes à severidade da modificação da aparência, ressalta que estes são limitações intrínsecas da arquitetura generativa, e não subprodutos da tarefa de perturbação.

Implicações para Implementação Clínica:
Os autores afirmam que, como a fidelidade distribucional (FVD) e a plausibilidade física são dissociadas, o FVD sozinho é insuficiente como portão de qualidade para a IA clínica. Um vídeo pode ser globalmente realista, mas conter tremores ou distorções de membros alucinados que mimetizam patologias psicomotoras. Portanto, antes que esses materiais possam ser usados com segurança em ambientes educacionais ou translacionais, a supervisão humana especializada e a avaliação ciente de física são necessárias para filtrar artefatos anatômicos.

O estudo não alega que esses vídeos estão prontos para uso clínico atual, mas que fornecem um framework de benchmark e parâmetros de configuração otimizados para o desenvolvimento e validação de modelos futuros. Ele destaca a necessidade de uma avaliação separada do realismo global e da correção anatômica em aplicações clínicas de alto risco.