UWFound, A domain-adapted foundation model for hierarchical posterior uveitis diagnosis from ultra-widefield fundus images

Resumo Técnico: UWFound – Um Modelo de Fundação Adaptado ao Domínio para o Diagnóstico Hierárquico de Uveíte Posterior

Definição do Problema
O diagnóstico preciso e a classificação etiológica da uveíte posterior permanecem desafios clínicos significativos devido às manifestações heterogêneas, fenótipos sobrepostos e ao desequilíbrio severo entre as classes de subtipos de doenças. Os modelos de inteligência artificial (IA) existentes enfrentam duas limitações primárias:

1. Desajuste de Modalidade: A maioria dos modelos de fundação de retina é pré-treinada em fotografias de fundo de olho (CFP) convencionais, que diferem significativamente da oftalmoscopia a laser de campo ultra-amplo (UWF) em termos de mecanismos de imagem, campo de visão, características de cor e aparência de lesões periféricas.
2. Falta de Raciocínio Hierárquico: Os modelos atuais frequentemente empregam classificação plana, falhando em refletir o fluxo de trabalho diagnóstico clínico, no qual os oftalmologistas primeiro detectam a inflamação, depois distinguem entre causas infecciosas e não infecciosas e, finalmente, identificam etiologias específicas.
   Além disso, o diagnóstico automatizado baseado em UWF para uveíte posterior é pouco explorado, e os modelos têm dificuldade com subtipos raros devido à escassez de dados.

Metodologia
Os autores desenvolveram o UWFound, um modelo de fundação adaptado para UWF integrado em uma estrutura diagnóstica hierárquica. A abordagem consiste em três componentes principais:

1. Ajuste Fino Autossupervisionado de Adaptação de Domínio:

   • Modelo Base: Os autores partiram do RETFound-DINOv2, um modelo de fundação de retina genérico.
   • Adaptação de Domínio: Eles realizaram o ajuste fino autossupervisionado utilizando 21.234 imagens UWF não rotuladas coletadas de exames clínicos de rotina e conjuntos de dados públicos.
   • Pré-processamento: Como a imagem de UWF utiliza principalmente canais de laser vermelho e verde, apenas esses canais informativos foram retidos. As imagens foram redimensionadas para 784 × 784 pixels para preservar a morfologia das lesões retinais e coroideais periféricas. Este passo visou mitigar o desajuste de modalidade entre CFP e UWF.

2. Estrutura Diagnóstica Hierárquica:
   O modelo emula o raciocínio clínico através de uma hierarquia de três níveis:

   • Nível 1 (Triagem): Distingue olhos normais de uveíte posterior.
   • Nível 2 (Diferenciação): Classifica a uveíte como infecciosa ou não infecciosa.
   • Nível 3 (Subtipagem): Prediz subtipos etiológicos específicos (ex: doença de Behçet, uveíte relacionada à tuberculose, necrose retinal aguda, várias formas de endoftalmite).
   • Arquitetura: O UWFound serve como o codificador de imagem. Um módulo de atenção condicionada à classe transforma as predições de cada nível em embeddings de classe, condicionando as etapas de refinamento subsequentes para enfatizar características relevantes enquanto preserva o contexto global. Para lidar com o desequilíbrio de classes e a heterogeneidade, cada nível utiliza um classificador métrico baseado em protótipos com protótipos de classe aprendíveis e memória de protótipo atualizada por momentum.

3. Estratégia de Treinamento e Avaliação:

   • Dados: O conjunto de dados rotulados interno compreendeu 617 imagens UWF de 373 indivíduos (265 pacientes com uveíte posterior, 108 controles saudáveis). Os dados foram divididos ao nível do paciente para evitar vazamento de informação.
   • Linhas de Base (Baselines): O desempenho foi comparado contra modelos convencionais (ResNet50, ViT) e modelos de fundação genéricos (VisionFM, RETFound, RETFound-DINOv2).
   • Categorias: A avaliação foi estratificada pela disponibilidade de dados: Suporte Alto (olhos normais), Suporte Médio (subtipos comuns como Behçet, uveíte por TB, sarcoidose, ARN) e Suporte Baixo (subtipos raros como endoftalmite fúngica/bacteriana).
   • Validação Externa: O modelo foi testado em três conjuntos de dados independentes (WEI-UWF, ZPPH-UWF e um conjunto de dados de referência clínica) para avaliar a generalizabilidade.

Principais Resultados

• Desempenho de Triagem: No conjunto de teste interno, o modelo hierárquico baseado no UWFound alcançou uma triagem de uveíte quase perfeita, com um AUROC de 0,9999 e um AUPRC de 0,9998.
• Infecciosa vs. Não Infecciosa: O modelo demonstrou uma discriminação forte para o segundo nível diagnóstico, alcançando um AUROC médio de 0,9496 (Não infecciosa: 0,9391; Infecciosa: 0,9098).
• Subtipos Raros (Few-Shot): Nas categorias de suporte médio, o UWFound alcançou o maior AUROC (0,8577) e AUPRC (0,4681) entre todos os modelos comparados. Nas categorias de suporte baixo, embora a sensibilidade geral tenha permanecido baixa (um desafio comum para doenças raras), o modelo hierárquico alcançou o maior AUPRC (0,3439), indicando um melhor equilíbrio entre precisão e recall sob severo desequilíbrio de classes.
• Validação Externa: O modelo preservou a capacidade discriminativa para a triagem de primeiro nível em conjuntos de dados externos (intervalo de AUROC: 0,7638–0,9767). No entanto, o desempenho variou significamente com base nos limiares operacionais, destacando mudanças substanciais de domínio externo.
• Interpretabilidade: Mapas de ativação de classe da camada de norma revelaram um deslocamento progressivo na atenção: uma atenção retinal ampla no nível de triagem transitando para uma ativação localizada associada a lesões (ex: inflamação vascular, regiões necróticas periféricas) nos níveis diagnósticos mais finos.

Significância e Alegações
O artigo postula que o UWFound estabelece uma ferramenta robusta e generalizável para a triagem automatizada de uveíte posterior e identificação etiológica complexa. Suas principais contribuições são:

1. Adaptação de Modalidade: Demonstrar que o ajuste fino autossupervisionado de domínio adaptativo em dados UWF não rotulados de larga escala melhora significativamente o aprendizado de representação para doenças inflamatórias em comparação com modelos de fundação de retina genéricos, particularmente em cenários de suporte médio e baixo (medium- e few-shot).
2. Alinhamento Clínico: Validar que uma estrutura hierárquica que reflete o raciocínio clínico (Triagem → Infecciosa/Não infecciosa → Etiologia) produz um forte desempenho para os dois primeiros passos críticos do diagnóstico, que são essenciais para decisões de tratamento (ex: evitar corticosteroides em casos infecciosos).
3. Utilidade Realista: Os autores alegam modestamente que, embora o modelo forneça informações de suporte finas para a etiologia, a classificação de subtipos raros continua sendo um desafio. Portanto, o UWFound é melhor interpretado como um sistema de triagem interpretável e suporte à decisão, em vez de uma ferramenta de diagnóstico autônoma. Ele é projetado para identificar olhos com probabilidade de apresentar uveíte posterior, priorizar vias infecciosas e sugerir potenciais etiologias para investigação clínica direcionada.

O estudo conclui que trabalhos futuros devem focar em validação multicêntrica prospectiva, integração multimodal com dados clínicos e laboratoriais, e estratégias de calibração para garantir a implantação segura no mundo real.