Brain as Language: Neuro-Semantic Modeling of Glioblastoma Radiogenomics

Resumo Técnico: Cérebro como Linguagem: Modelagem Neuro-Semântica de Radiogenômica de Glioblastoma

Declaração do Problema
O glioblastoma (GBM) é caracterizado por uma acentuada heterogeneidade espacial, vascular e molecular, o que limita o poder inferencial de biópsias de tecido único. Embora a ressonância magnética multiparamétrica (rmmp) capture essa heterogeneidade, os pipelines radiogenômicos convencionais tipicamente codificam dados de imagem como matrizes de características numéricas de alta dimensão. Essa abordagem cria um "problema de representação": embora o detalhe quantitativo seja preservado, a estrutura semântica através da qual os clínicos raciocinam (ex: heterogeneidade de realce, infiltração, carga necrótica) é perdida. Os modelos operam em nomes de características abstratas (ex: entropia, curtose) em vez de conceitos fenotípicos clinicamente interpretáveis, dificultando a IA explicável (XAI) e o raciocínio fundamentado em evidências. O estudo aborda a necessidade de uma camada de representação intermediária que traduza a evidência radiômica quantitativa em uma linguagem biomédica controlada, interpretável e auditável.

Metodologia
O estudo utiliza o conjunto de dados de Glioblastoma da Universidade da Pensilvânia (UPenn-GBM), que compreende rmmp pré-operatória, segmentações de especialistas e marcadores moleculares. A metodologia central envolve a construção de uma "linguagem radiogenômica neuro-semântica" através das seguintes etapas:

1. Estrutura de Dados: Características radiômicas foram extraídas de 11 fontes de imagem (incluindo mapas T1, T1CE, T2, FLAIR, DTI e DSC) em três sub-regiões tumorais: edema/infiltrativo (ED), tumor com realce (ET) e núcleo necrótico (NC).
2. Construção de Ontologia: 86 características radiômicas brutas foram mapeadas para uma ontologia controlada. As características foram agrupadas em três domínios semânticos base (complexidade de textura, distribuição de intensidade, morfologia) e refinadas pelo contexto da modalidade (ex: textura em mapas DSC tornou-se "heterogeneidade de perfusão"; textura em FLAIR tornou-se "heterogeneidade associada à infiltração").
3. Tokenização: Valores radiômicos específicos de cada paciente foram convertidos em níveis de percentil relativos à coorte (BAIXO, MODERADO, ALTO). Eles foram codificados em tokens estruturados seguindo a gramática: MODALIDADE_REGIÃO_NÍVEL_DOMÍNIO_SEMÂNTICO. Por exemplo: DSC_APRCBV_ED_MODERATE_PERFUSION_HETEROGENEITY.
4. Geração de Sequência: Perfis de pacientes foram montados em "sentenças radiogenômicas" (até 99 tokens) delimitadas por marcadores de início/fim.
5. Estratégia de Modelagem:
   • Predição de MGMT: O framework foi avaliado para a predição do status de metilação do promotor da O6-metilguanina-DNA metiltransferase (MGMT) (n=278 casos definitivos) usando validação cruzada nested 5-fold estratificada repetida.
   • Representações Testadas: (a) Tokens semânticos grosseiros com TF-IDF e regressão logística; (b) Codificação de tokens binários com classificadores não lineares (XGBoost, SVM, RF); (c) Tokens semânticos hierárquicos preservando descritores específicos de características; (d) Modelos híbridos combinando tokens hierárquicos com evidência radiômica quantitativa agregada.
   • Raciocínio de LLM: Três Modelos de Linguagem de Grande Escala (BioMistral-7B, Meditron-70B e um modelo geral ajustado para instruções) foram avaliados como camadas de explicação. Eles receberam a sentença radiogenômica, a predição de MGMT do modelo e a tabela de evidência de tokens para gerar explicações. O desempenho foi medido pela taxa de suporte de alegação, taxa de alucinação e utilidade para o especialista.

Resultados Principais

• Viabilidade da Representação: O pipeline gerou com sucesso 652 sequências radiogenômicas da coorte UPenn-GBM, com 611 vinculadas a metadados clínicos. A contagem mediana de tokens foi de 99, indicando alta cobertura da estrutura de visualização múltipla.
• Desempenho Preditivo (MGMT):
  • Uma representação semântica grosseira com TF-IDF linear alcançou um baixo ROC AUC de 0,55, indicando discriminação insuficiente.
  • A introdução da codificação de tokens binários e classificadores não lineares (XGBoost) melhorou o ROC AUC para 0,76.
  • Modelagem Semântica Hierárquica: A retenção de descritores específicos de características dentro dos domínios semânticos aumentou o ROC AUC para 0,80 (95% CI, 0,75–0,85).
  • Modelagem Híbrida Radiômica-Semântica: A combinação de tokens hierárquicos com evidência quantitativa residual rendeu o maior desempenho, com um ROC AUC de 0,83 (95% CI, 0,78–0,88), uma acurácia de 0,78 e um F1-score de 0,76.
• Fidelidade de Explicação do LLM:
  • Os LLMs biomédicos (BioMistral e Meditron) superaram significativamente o modelo geral ajustado para instruções em fidelidade de evidência.
  • O BioMistral alcançou uma taxa de suporte de alegação de 0,94 e uma taxa de contradição de 0,01, comparado a 0,78 e 0,06 para o modelo geral.
  • A entrada de tokens estruturados atuou como um "andaime anti-alucinação", garantindo que as explicações geradas fossem fundamentadas em evidências específicas do paciente, em vez de textos biomédicos fluentes mas não suportados.

Significância e Alegações
Os autores afirmam que a principal contribuição deste trabalho é uma camada de representação estruturada que torna a evidência radiômica interpretável, modelável e auditável. O estudo reformula a radiogenômica não apenas como uma tarefa de classificação, mas como um problema de representação.

As principais alegações incluem:

1. Compromisso entre Interpretabilidade e Informação: Tokens semânticos grosseiros são legíveis, mas comprimem excessivamente a informação. Tokens hierárquicos e modelos híbridos equilibram com sucesso a interpretabilidade clínica com a preservação do sinal molecularmente relevante.
2. Superioridade Híbrida: A abordagem mais eficaz não é puramente numérica ou puramente semântica, mas sim uma híbrida estruturalmente integrada que combina abstração semântica com detalhes quantitativos residuais.
3. Raciocínio Auditável: A linguagem neuro-semântica permite um novo paradigma para LLMs biomédicos onde as explicações não são predições autônomas, mas gerações condicionais restritas por evidências verificáveis. Isso permite a auditoria em nível de alegação do raciocínio da IA em contextos clínicos.

Os autores mantêm a modéstia em relação aos seus achados, observando que os resultados baseiam-se em uma única coorte pública (UPenn-GBM) e requerem confirmação em conjuntos de dados independentes. Eles posicionam o framework como uma prova de conceito para uma base estruturada para avaliação de modelos interpretáveis e futura integração com modelos de linguagem biomédica confiáveis.