SY-CNN+: Synthetic-Data-Enhanced Hybrid Learning for Clinical Photograph-Based Eyelid Tumor Classification

Resumo Técnico: SY-CNN+ para Classificação de Tumores de Pálpebra

Declaração do Problema
Diferenciar tumores de pálpebra malignos de benignos a partir de fotografias clínicas é uma tarefa crítica, porém desafiadora, na oftalmologia. Lesões malignas, como o carcinoma de glândula sebácea (CGS) e o melanoma, podem mimetizar condições benignas, como calázio ou cistos, levando ao diagnóstico tardio, aumento do risco de metástase e intervenções cirúrgicas desnecessárias. Essa dificuldade diagnóstica é exacerbada em cuidados primários ou ambientes de poucos recursos, onde a experiência especializada é limitada. Além disso, o desenvolvimento de modelos de IA robustos para esta tarefa é dificultado pela escassez de conjuntos de dados de imagens médicas diversificados e de alta qualidade. Tumores raros são difíceis de coletar, a curadoria de imagens é laboriosa e as restrições de privacidade do paciente limitam o compartilhamento de dados. Técnicas tradicionais de aumento de dados (ex: rotação, recorte) frequentemente falham em gerar variações patológicas clinicamente relevantes, como margens ulceradas ou pigmentação heterogênea, que são essenciais para distinguir a malignidade.

Metodologia: Estrutura SY-CNN+
Os autores propõem o SY-CNN+ (Rede Neural Convolucional+ Aumentada por Dados Sintéticos), uma estrutura de aprendizado híbrido projetada para enfrentar a escassez de dados por meio de aumento sintético e uma arquitetos de classificação em dois estágios.

1. Fontes de Dados e Particionamento:

   • O estudo utilizou 3.041 imagens clínicas de 881 pacientes do Hospital Oftalmológico de Ningbo.
   • O conjunto de dados foi dividido em uma coorte retrospectiva (2.992 imagens de 863 pacientes) e uma coorte de teste prospectiva (49 imagens de 18 pacientes).
   • A coorte retrospectiva foi particionada em conjuntos de treinamento, validação e test1 usando uma divisão independente por paciente (proporção aproximada de 8:1:1) para evitar vazamento de dados (data leakage). A alocação estratificada garantiu proporções consistentes de maligno-para-benigno entre os conjuntos.

2. Geração de Dados Sintéticos:

   • Para aumentar o conjunto de treinamento, os autores empregaram Redes Adversárias Generativas (GANs) e modelos de Difusão.
   • Imagens sintéticas foram geradas apenas a partir do conjunto de treinamento usando treinamento condicional de classe para preservar a integridade dos rótulos. Nenhuma imagem de validação ou teste foi utilizada para geração.
   • A estratégia de aumento foi controlada por uma razão sintético-para-real ($n$), testada nos valores de 0, 0.5, 1, 2, 3, 4 e 5.

3. Arquitetura Híbrida (CNN+):

   • Extração de Características: A estrutura utiliza backbones de CNN (ResNet18, ResNet50, VGG11, VGG16) para extrair características da imagem. As imagens de entrada foram redimensionadas para 64x64x3.
   • Classificação Downstream: Em vez de depender apenas da camada softmax final da CNN, os vetores de características extraídos foram alimentados em classificadores de aprendizado de máquina separados: Naive Bayes (NB), Máquina de Vetores de Suporte (SVM), Floresta Aleatória (RF) e Extreme Gradient Boosting (XGBoost).
   • Processo de Seleção: O conjunto de validação foi utilizado para determinar a configuração de modelo ideal (backbone + classificador) e a razão sintético-para-real ideal ($n$).

4. Protocolo de Avaliação:

   • O modelo selecionado foi avaliado no conjunto test1 retrospectivo e na coorte test2 prospectiva.
   • O desempenho foi medido usando acurácia, F1-score, matrizes de confusão, curvas ROC e Coeficiente de Correlação de Matthews (MCC).
   • Uma comparação exploratória foi conduzida contra dois clínicos voluntários (um sênior e um júnior) no conjunto test1.

Principais Resultados

• Configuração Ótima: O modelo com melhor desempenho foi o aumento baseado em GAN combinado com extração de características ResNet50 e classificação XGBoost, com uma razão sintético-para-real de $n=4$.
• Métricas de Desempenho:
  • Test1 Retrospectivo: Alcançou 92,0% de acurácia (IC 95%: 88,5–95,5%) e um F1-score de 87,2%.
  • Test2 Prospectivo: A mesma configuração alcançou 89,8% de acurácia e um F1-score de 82,8%.
• Comparação com Modelos de Difusão: Embora as imagens geradas por difusão tenham exibido pontuações de Distância de Incepção de Fréchet (FID) mais baixas (indicando maior fidelidade visual), o aumento baseado em GAN apresentou desempenho de classificação downstream superior. Isso sugere que métricas de qualidade de imagem sozinhas não predizem totalmente a utilidade para tarefas diagnósticas específicas.
• Comparação com Clínicos: Na comparação baseada apenas em imagens, o modelo GAN-ResNet50+XGBoost ($n=4$) superou tanto o clínico sênior quanto o júnior em termos de acurácia por imagem e F1-score.
• Limitações Observadas: Apesar da alta acurácia, o modelo exibiu uma taxa de falso-negativo de 18,0% para tumores malignos no conjunto de teste retrospectivo, destacando o risco de diagnósticos perdidos.

Principais Contribuições

1. Estratégia de Aprendizado Híbrido: Demonstra a eficácia da combinação da extração de características por CNN com classificadores de aprendizado de máquina clássicos (especificamente XGBoost) em um cenário de imagens médicas com dados limitados.
2. Avaliação de Dados Sintéticos: Fornece evidência empírica de que o aumento de dados sintéticos pode melhorar o desempenho da classificação no diagnóstico de tumores de pálpebra, enfatizando que a escolha do modelo generativo (GAN vs. Difusão) e a razão de aumento ($n$) devem ser ajustadas com base no desempenho da tarefa downstream, e não apenas nas métricas de qualidade da imagem.
3. Validação Prospectiva: Inclui uma coorte de teste prospectiva, oferecendo uma avaliação mais rigorosa do que estudos puramente retrospectivos.

Significância e Alegações
Os autores alegam que o SY-CNN+ oferece uma abordagem viável para a classificação de tumores de pálpebra em ambientes com escassez de dados. O estudo apoia o uso de aumento sintético e aprendizado híbrido baseado em CNN para melhorar a precisão diagnóstica onde os recursos especializados são limitados.

No entanto, o artigo mantém um tom modesto quanto à implementação clínica. Os autores afirmam explicitamente que o modelo não deve ser usado como uma ferramenta de diagnóstico autônoma devido à taxa de falso-negativo observada para tumores malignos. Em vez disso, eles propõem seu papel imediato como um sistema de suporte à decisão clínica para ajudar a identificar lesões suspeitas para revisão especializada posterior. Os autores reconhecem que coortes multicêntricas maiores, modelos de maior resolução e comparações mais amplas com clínicos são necessários antes que o sistema possa ser considerado para uso clínico rotineiro.