Resumo Técnico: Razão de Cor do Disco Óptico (ODCR) para Equidade de Subgrupos na Triagem de Retinopatia Diabética

Declaração do Problema

Sistemas automatizados de triagem de Retinopatia Diabética (RD) alcançam precisão de nível especialista em benchmarks curados, mas exibem disparidades de desempenho mal compreendidas entre subgrupos. Embora trabalhos anteriores frequentemente atribuam essas disparidades ao desequilíbrio de dados, este artigo argumenta por uma explicação mecanística: a pigmentação coroide (concentração de melanina) reduz o contraste óptico entre as lesões (microaneurismas, hemorragias) e o fundo retiniano.

Essa redução na Relação Sinal-Ruído (SNR) degrada fisicamente o sinal de entrada disponível para os detectores de lesões convolucionais. Os autores hipotetizam que isso leva a um modo de falha específico: sobrepredição. Fundos com pigmentação mais escura, possuindo menor contraste lesão-fundo, são sistematicamente marcados como "referenciáveis" em taxas mais altas, independentemente de seu rótulo real, impondo um ônus desproporcional de falsos positivos às populações subatendidas. Isso contrasta com a IA dermatológica, onde problemas de contraste semelhantes frequentemente se manifestam como falhas de especificidade (detecções perdidas).

Metodologia

1. O Proxy ODCR

Para auditar a equidade sem depender de rótulos de etnia de verdade fundamental (ground-truth), os autores introduzem a Razão de Cor do Disco Óptico (ODCR).

• Definição: Uma métrica computada a partir do anel peripapilar (a região ao redor do disco óptico) no espaço de cores CIE $L^*a^*b^*$.
• Fórmula: $odcr = \arctan(\frac{\bar{L}^* - 50}{\bar{b}^*}) \times \frac{180}{\pi}$.
• Função: Valores mais altos indicam pigmentação mais clara; valores mais baixos indicam pigmentação mais escura. Serve como um proxy análogo ao Ângulo de Tipologia Individual (ITA) usado na dermatologia.
• Estratificação: Os pacientes são agrupados em "Escuros", "Médios" e "Claros" com base nos tercis de ODCR do conjunto de treinamento.

2. Análise de SNR

Os autores quantificam a SNR vaso-fundo para validar o mecanismo físico.

• Métrica: $SNR = \frac{|\mu_{lesão} - \mu_{fundo}|}{\sigma_{fundo}}$.
• Método: Pixels candidatos a microaneurismas são identificados via limiarização adaptativa do canal verde (pico de absorção de hemoglobina), enquanto o fundo é amostrado de tecido peripapilar de luminância média.

3. Configuração Experimental

• Datasets:
  • EyePACS: 35.126 imagens (baseadas nos EUA). Foram utilizadas divisões ao nível do paciente (Treino: 24.588; Val: 5.268; Teste: 5.270) para evitar vazamento de dados (data leakage).
  • APTOS 2019: 3.662 imagens (população indiana) usadas para validação de transferência zero-shot.
• Arquitetura do Modelo: Backbone EfficientNet-B2 com um ramo de condicionamento (Linear3→16→32) que concatena embeddings de tom.
• Estudo de Ablação: Cinco variantes foram testadas no conjunto de teste bloqueado do EyePACS:
  1. Baseline: Treinamento padrão ($pos\_weight=2.0$).
  2. Aug-only: Aumento de dados para fundos escuros + oversampling de 3x.
  3. Tone-only: Condicionamento por ODCR.
  4. Full: Combinação de todas as intervenções.
  5. Balanced-baseline: Amostragem equalizada e $pos\_weight=1.0$ (controle).
• Avaliação: As métricas incluíram AUC, Sensibilidade e Especificidade, estratificadas por grupos de ODCR. A significância estatística foi avaliada via testes de permutação e intervalos de confiança de bootstrap.

Principais Resultados

1. Redução de SNR em Fundos Escuros

O estudo confirma uma redução significativa no contraste lesão-fundo para fundos mais escuros.

• Magnitude: A razão de SNR claro-escuro é de 1,14×.
• Significância: Esta redução é estatisticamente significativa ($p = 3 \times 10^{-10}$ via Kruskal–Wallis; $p = 0,0005$ via Mann–Whitney).
• Comparação: Este efeito é atenuado em comparação à dermatologia (onde a razão foi de 5,2×), provavelmente porque a coróide reside atrás do epitélio pigmentar da retina e a iluminação ativa do fundo compensa parcialmente a absorção.

2. A "Assinatura de Elevação de Score"

Em todas as cinco variantes de modelo, os fundos com pigmentação escura receberam probabilidades previstas sistematicamente mais altas do que os fundos com pigmentação clara, independentemente do rótulo real.

• Evidência: Na variante Baseline, os verdadeiros negativos escuros tiveram uma média de score de 0,128 vs. 0,105 para os verdadeiros negativos claros ($\Delta = +0,023$).
• Implicação: Isso indica incerteza global do modelo sob baixo contraste, levando a um deslocamento para a classe positiva.

3. Assimetria de Sensibilidade (Sobrepredição)

Sob treinamento calibrado para sensibilidade (especificamente a variante Full), a elevação de score se manifesta como uma lacuna de sensibilidade significativa, em vez de uma lacuna de especificidade.

• Lacuna da Variante Full: Sensibilidade escura (0,642) vs. Sensibilidade clara (0,535), $\Delta = +0,107$ ($p = 0,015$).
• Lacuna de Especificidade: A lacuna de especificidade foi pequena e não significativa ($\Delta \approx -0,009$).
• Impacto Clínico: Isso resulta em aproximadamente 4 encaminhamentos excedentes por 1.000 pacientes de pigmentação escura em comparação com pacientes de pigmentação clara.
• Insuficiência da AUC: As lacunas de AUC entre os grupos foram negligenciáveis ($\le 0,008$) e não significativas, confirmando que a AUC isoladamente é insuficiente para auditoria de equidade neste contexto.

4. Validação Externa

A transferência zero-shot para o dataset APTOS 2019 (população indiana) replicou a assinatura. A elevação de score foi ainda mais pronunciada ($\Delta = +0,101$ para verdadeiros negativos), consistente com a distribuição de população mais escura.

5. Estrutura Causal

• Calibragem de Limiar: O ajuste dos limiares de decisão ($t = 0,30–0,65$) não fechou a lacuna, indicando que a disparidade está incorporada nas distribuições de probabilidade prevista, e não apenas na fronteira de decisão.
• Balanceamento: O balanceamento de classes reduziu a lacuna em relação à variante "Full", mas não a eliminou abaixo do nível da "Baseline". Isso sugere uma estrutura causal mista: a disparidade é impulsionada substancialmente pela regra de decisão calibrada para sensibilidade (oversampling e alto $pos\_weight$) interagindo com o déficit físico de SNR.

Significância e Alegações

O artigo afirma fornecer um entendimento mecanístico das disparidades de equidade na triagem de RD, indo além do desequilíbrio de dados para as propriedades ópticas físicas.

1. ODCR como um Proxy: Estabelece o ODCR como um proxy computacionalmente acessível e livre de rótulos para a pigmentação do fundo, permitindo a análise de subgrupos sem rótulos de etnia.
2. SNR como um Preditor do Tipo de Disparidade: O artigo propõe que a magnitude da razão de SNR pode prever o eixo da disparidade.
   • Alta redução de SNR (Dermatologia, 5,2×) $\rightarrow$ Falha de especificidade (subdetecção).
   • Redução de SNR atenuada (Fundo, 1,14×) $\rightarrow$ Falha de sensibilidade (sobrepredição).
3. Limitações da AUC: Demonstra que métricas padrão como a AUC podem mascarar disparidades significativas de subgrupos na triagem de RD, necessitando de relatórios estratificados de sensibilidade/especificidade.
4. Recomendação Clínica: Os autores argumentam que a auditoria de equidade deve focar na sobrepredição (excesso de falsos positivos) em populações de pigmentação escura e que a calibragem de limiar post-hoc é insuficiente para resolver essas disparidades.

O estudo conclui que a pigmentação coroide é um confundidor de grupo mensurável e estatisticamente significativo que impulsiona a sobrepredição na triagem de RD, um fenômeno que é invisível à AUC, mas detectável através da análise estratificada por ODCR.