Resumo Técnico: RadioAI – Aprendizado Profundo Baseado em Física e Interpretável para Classificação de Imagens Médicas Multimodais

Definição do Problema

O artigo aborda um gargalo diagnóstico causado pela escassez global de radiologistas e pelo aumento dos volumes de imagens médicas. Embora o aprendizado profundo tenha alcançado desempenho de nível radiológico em tarefas de modalidade única, os sistemas existentes sofrem de três limitações críticas:

1. Design de Modalidade Única: A maioria das arquiteturas ignora as diferenças físicas fundamentais entre as modalidades de imagem (atenuação de raios X em CT, relaxação de spin nuclear em RM e retroespalhamento acústico em Ultrassom), falhando em abranger múltiplas modalidades em uma única aplicação implantável.
2. Interpretabilidade Post-Hoc: Os métodos atuais de explicabilidade (ex: GradCAM, LIME) são aplicados após o treinamento e não fazem referência a fenômenos físicos de imagem, tornando difícil para os radiologistas verificar por que certas características foram informativas em termos físicos.
3. Novidade Não Validada: Componentes arquiteturais inovadores raramente são sistematicamente removidos para confirmar sua contribuição, tornando impossível distinguir benefícios genuínos de viés indutivo de mera sorte de hiperparâmetros.

Os autores declaram explicitamente que não pretendem reivindicar o estado da arte em precisão; em vez disso, visam demonstrar que o design de componentes baseado em física é empiricamente validável e fornecer um framework de avaliação reprodutível para IA médica interpretável.

Metodologia

O RadioAI é um sistema de suporte à decisão clínica multimodal que integra três arquiteturas de aprendizado profundo baseadas em física com uma interface Streamlit unificada e um "Gatekeeper" de roteamento de modalidade automático.

1. Datasets e Pré-processamento

• CT de Tórax: 1.000 imagens (4 classes: 3 subtipos de câncer, normal). Fatias 2D foram utilizadas com aumento de 8 vezes para simular volumes 3D.
• RM Cerebral: 7.200 imagens (4 classes balanceadas). O pré-processamento incluiu redução de ruído, CLAHE e normalização z-score.
• Ultrassom de Mama (BUSI): 780 imagens (3 classes: benigno, maligno, normal). O pré-processamento envolveu conversão para tons de cinza e normalização.

2. Arquiteturas Específicas por Modalidade

Cada arquitetura codifica uma hipótese física específica como uma restrição estrutural, em vez de um regularizador aprendido:

• DPMS-LSW (Câncer de Pulmão em CT):
  • Hipótese: Subtipos de câncer são discrimináveis por textura 2D em múltiplas escalas espaciais, e o contexto entre fatias fornece sinal em volumes 3D.
  • Estrutura: Um Caminho Local (EfficientNet-B2 + Atenção Espacial de Múltiplas Escalas) e um Caminho Global (ResNet-34 + Pesagem de Fatias Aprendível + Transformer) são fundidos via Cross-Attention.
• TARNet (Ultrassom de Mama):
  • Hipótese: Fenômenos acústicos (atenuação, retroespalhamento, sombreamento) são distintos e removíveis.
  • Estrutura: Três ramos nomeados:
    1. Ramo de Atenuação: Modela o decaimento exponencial de profundidade através de uma curva sigmoide aprendível.
    2. Ramo de Retroespalhamento: Captura a textura de ecogenicidade em múltiplas escalas.
    3. Ramo de Sombra Acústica: Modela artefatos de sombra posterior.
  • Interpretabilidade: Um Portão de Composição Acústica (ACG) atribui pesos a esses ramos, visualizados como um gráfico de radar clínico.
• MSCAF (Tumor Cerebral em RM):
  • Hipótese: Tipos de tumor são caracterizados por características em escalas espaciais qualitativamente diferentes.
  • Estrutura: Três escalas de CNN (textura fina, nitidez de borda, morfologia grosseira) fundidas com um ramo Transformer global via Cross-Attention por escala.

3. Integração do Sistema

• Gatekeeper: Um modelo MobileNetV3-Small roteia qualquer exame de entrada para o modelo específico da modalidade sem intervenção do clínico. Um limiar de confiança de 0,60 aciona um prompt de sobreposição se o roteamento estiver incerto.
• Stack de Interpretabilidade:
  1. Camada 1: Mapas de ativação GradCAM (espaciais, post-hoc).
  2. Camada 2: Gráficos de radar de física da TARNet (intrínsecos ao modelo, causais, expressos em terminologia acústica).
  3. Camada 3: Templates de explicação clínica estruturada (linguagem natural fazendo a ponte entre a saída do modelo e o vocabulário clínico).

4. Protocolo de Ablação

Nove experimentos controlados de ablação foram conduzidos em 21 modelos treinados. Os componentes foram removidos um a um para medir a queda na precisão, validando se o design baseado em física era necessário.

Principais Resultados

O estudo relata precisão e pontuações macro-F1 em conjuntos de teste/validação mantidos fora (held-out), com intervalos de confiança de Wilson de 95% calculados para avaliar a robustez estatística.

• CT (DPMS-LSW):
  • Precisão de Validação: 90,28% (4 classes).
  • Ablação: A remoção da Atenção de Múltiplas Escalas causou uma queda de −5,56%, validando a hipótese de textura multiescalar. O Caminho Global (contexto entre fatias) apresentou queda de 0%, atribuída ao uso de pseudo-volumes (fatias 2D aumentadas) que carecem de verdadeira diversidade 3D.
• RM (MSCAF):
  • Precisão de Validação: 89,62% (4 classes).
  • Ablação: A remoção da estrutura multiescalar (SingleScale) causou a maior queda em todos os experimentos (−11,62%), com intervalos de confiança não sobrepostos confirmando a hipótese espacial multiescalar. Curiosamente, remover o ramo Transformer melhorou a precisão em +4,26%, indicando que o ViT treinado do zero adicionou ruído ao conjunto de dados de 5.600 imagens.
• Ultrassom (TARNet):
  • Precisão de Teste: 83,76% (3 classes), superando a ResNet50 em +4,27% apesar dos dados de treinamento limitados (546 imagens).
  • Ablação: A remoção do Ramo de Sombra Acústica causou a queda mais severa (−7,69%). A classificação do impacto das ablações (Sombra > Retroespalhamento = Atenuação) espelhou a hierarquia clínica dos discriminadores acústicos para malignidade.
• Gatekeeper: Roteou os exames com sucesso com alta confiança, acionando a sobreposição manual apenas quando a confiança caiu abaixo de 0,60.

Significância e Alegações

O artigo enquadra sua contribuição como um estudo de medição e validação de design, em vez de um puro benchmark de precisão. Suas principais alegações são:

1. Validabilidade Empírica: O design de componentes baseado em física é empiricamente validável. A metodologia de ablação controlada demonstrou com sucesso que a remoção de restrições físicas específicas (ex: modelagem de sombra acústica, atenção espacial multiescalar) leva a quedas de precisão estatisticamente interpretáveis.
2. Viés Indutivo sobre Complexidade: Os resultados sugerem que a "especificidade física" — e não a complexidade arquitetural — impulsiona os benefícios interpretáveis. Componentes genéricos (como um Transformer treinado do zero em dados limitados ou caminhos globais em pseudo-volumes) frequentemente falharam em ajudar ou até prejudicaram o desempenho.
3. Sistema Unificado Implantável: O RadioAI é o primeiro sistema que abrange CT, RM e Ultrassom em uma única aplicação com roteamento de modalidade automático e interpretabilidade de múltiplas camadas.
4. Explicabilidade Intrínseca ao Modelo: O gráfico de radar da TARNet fornece uma explicação intrínseca ao modelo em terminologia acústica clínica, distinta dos métodos de atribuição de pixels post-hoc.

Os autores reconhecem limitações, incluindo o uso de pseudo-volumes para CT, o ruído introduzido por Transformers treinados do zero na RM e a falta de validação clínica prospectiva. Eles posicionam a aplicação Streamlet implantada como uma ferramenta de demonstração de pesquisa para permitir a reprodução independente de resultados de inferência e metodologias de ablação.