Learning Adaptive Gated Fusion of Convolutional and Transformer Features for Generalizable Medical Image Classification

No mundo do diagnóstico médico, os computadores tornaram-se notavelmente habilidosos na leitura de imagens. Eles conseguem observar uma fotografia de uma mancha na pele ou um exame de um cérebro e identificar padrões que podem indicar doenças. Durante anos, os programas de computador mais bem-sucedidos para esta tarefa basearam-se num tipo específico de cérebro digital chamado rede neural convolucional. Estes programas são excelentes a notar detalhes minuciosos, como a textura rugosa de uma lesão cutânea ou os minúsculos vasos sanguíneos num olho. Eles funcionam analisando pequenas áreas locais de uma imagem, tal como uma pessoa que examina uma única pincelada numa pintura. No entanto, estes programas por vezes têm dificuldade em ver o quadro geral. Podem perder a forma como partes distantes de uma imagem se relacionam entre si, como a forma geral de um tumor ou o arranjo dos vasos através de uma retina inteira.

Para resolver isto, os investigadores recorreram recentemente a um tipo diferente de cérebro digital conhecido como transformador de visão (vision transformer). Estes sistemas são concebidos para observar a imagem inteira de uma só vez, conectando cada parte a todas as outras para compreender a estrutura global. Enquanto o primeiro tipo de programa vê a textura, o segundo vê a forma. Durante muito tempo, os cientistas tentaram combinar estas duas abordagens simplesmente juntando os seus resultados, assumindo que ambas as visões eram igualmente importantes para cada paciente individual. Mas a realidade médica é raramente tão uniforme. Uma lesão cutânea pode ser diagnosticada quase inteiramente pela sua cor e textura, enquanto um tumor cerebral pode ser identificado pela sua localização e tamanho. Um sistema rígido que trata cada imagem da mesma forma corre o risco de perder as pistas mais críticas para um caso específico.

Uma equipa de investigadores da Universidade Sharda, na Índia, propôs uma nova forma de lidar com este problema. Desenvolveram um sistema chamado DACANet, que atua como uma rede de via dupla. Em vez de forçar o computador a usar uma regra fixa para combinar detalhes locais e formas globais, este sistema aprende a decidir por si próprio quanto peso atribuir a cada visão para cada imagem que analisa. Os investigadores testaram esta abordagem em três tipos de imagens médicas muito diferentes: lesões cutâneas, exames cerebrais e fotografias da retina. O seu objetivo era verificar se um sistema flexível poderia superar um sistema rígido, especialmente quando a importância da textura versus a forma muda de paciente para paciente.

O cerne da sua inovação é um pequeno portão inteligente que se situa entre os dois cérebros digitais. À medida que o sistema processa uma imagem, um ramo extrai características locais, como arestas e cores, enquanto o outro ramo captura a estrutura geral e as relações através de toda a imagem. Antes de o diagnóstico final ser feito, o portão observa ambos os conjuntos de informações e calcula um equilíbrio específico. Se a imagem for uma onde a textura local é mais importante, o portão inclina-se fortemente para o primeiro ramo. Se a forma global for o fator decisivo, ele desloca a sua atenção para o segundo ramo. Esta decisão é tomada individualmente para cada imagem, permitindo que o sistema adapte a sua estratégia em tempo real, em vez de seguir uma regra pré-estabelecida.

Para testar se esta flexibilidade realmente ajuda, os investigadores treinaram o sistema em três conjuntos de dados públicos sem fazer ajustes especiais para cada um. O primeiro conjunto de dados continha imagens de lesões cutâneas pigmentadas, uma tarefa onde a diferença entre um sinal inofensivo e um melanoma perigoso depende frequentemente de detalhes subtis e granulares. O segundo conjunto de dados consistia em imagens de ressonância magnética de cérebros, onde a presença de um tumor é frequentemente definida pela sua forma e localização distintas. O terceiro conjunto de dados apresentava fotografias da retina, utilizadas para classificar a gravidade da retinopatia diabética, uma condição onde tanto as alterações nos minúsculos vasos sanguíneos como os padrões mais amplos são importantes.

Os resultados mostraram que o sistema flexível teve um desempenho excecional em todos os três domínios. Nas imagens de lesões cutâneas, alcançou uma precisão de validação de 87,37 por cento. Para os exames de tumores cerebrais, atingiu 95,25 por cento de precisão. Nas imagens da retina, obteve 84,64 por cento. Estes números são impressionantes, mas o verdadeiro valor do estudo surgiu quando os investigadores compararam o seu sistema flexível com uma versão que utilizava uma regra fixa e imutável para combinar os dois tipos de informação. Nos conjuntos de dados de lesões cutâneas e de retina, o sistema flexível superou o sistema fixo por uma margem clara, melhorando a precisão em 1,65 e 0,68 pontos percentuais, respetivamente. Isto sugere que, para imagens médicas complexas onde as pistas diagnósticas variam significamente de caso para caso, a capacidade de adaptação é uma vantagem genuína.

Curiosamente, os resultados também revelaram os limites desta abordagem. No conjunto de dados de tumores cerebrais, o sistema fixo teve um desempenho tão bom quanto o flexível, com uma diferença de menos de um quinto de percentagem. Os investigadores observaram que as imagens de tumores cerebrais são frequentemente visualmente distintas e mais fáceis de separar, o que significa que a tarefa já estava próxima do seu desempenho máximo possível para as ferramentas utilizadas. Nestes casos mais simples, a complexidade extra de um portão adaptativo não ofereceu qualquer benefício real. Esta descoberta é crucial porque sugere que o valor da fusão adaptativa depende inteiramente da dificuldade e da variedade da tarefa visual. Não é uma solução mágica que melhora todas as situações, mas sim uma ferramenta direcionada que brilha quando as pistas diagnósticas são subtis e variáveis.

O estudo conclui que este método adaptativo fornece uma estrutura prática e reprodutível para a análise de imagens médicas. Ao permitir que o computador decida qual o tipo de evidência mais importante para cada paciente específico, o sistema torna-se mais fiável e melhor adequado à diversidade da prática médica. Os investigadores enfatizam que, embora o seu sistema funcione bem em diferentes tipos de exames sem necessitar de uma configuração personalizada para cada um, ainda há trabalho a ser feito. Estudos futuros precisarão de analisar mais de perto como o sistema lida com categorias de doenças raras e testar o seu desempenho ao longo de muitas corridas de treino para garantir que os resultados são consistentes. Por agora, contudo, o trabalho demonstra que, no complexo mundo do diagnóstico por imagem médica, a capacidade de adaptar o foco é um trunfo poderoso.