💻 computer science

A Unified Deep Learning Cascade for Retinal Disease Detection and Diabetic Retinopathy Severity Grading

Este artigo propõe um cascata de aprendizado profundo de dois estágios unificado que utiliza um modelo EfficientNetV2-S com perda assimétrica para detectar 28 doenças de retina do conjunto de dados RFMiD e, subsequentemente, emprega um portão consciente de incerteza calibrado por Platt para rotear casos positivos para retinopatia diabética para um segundo estágio para gradação de severidade ordinal no conjunto de dados APTOS-2019, alcançando alto desempenho ao mesmo tempo em que aborda a degradação significativa na precisão do reconhecimento causada pela coocorrência de múltiplas doenças.

Autores originais: Arzav Saikia, Biswajit Tamuli, Bitopan Das, Manjeet Sarmah, Nomi Baruah, Surajit Dutta

Publicado 2026-06-29

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Arzav Saikia, Biswajit Tamuli, Bitopan Das, Manjeet Sarmah, Nomi Baruah, Surajit Dutta

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que o seu olho é como um aeroporto movimentado, e a retina é a torre de controle. Às vezes, coisas dão errado na torre — talvez uma luz pisque, uma tela rache ou uma tempestade se aproxime. A Retinopatia Diabética (RD) é como uma tempestade específica e perigosa que pode destruir a torre se não for detectada precocemente.

O problema é que existem 28 tipos diferentes de "tempestades" (doenças) que podem acontecer, e elas frequentemente ocorrem ao mesmo tempo. Além disso, a "tempestade" da RD tem diferentes níveis de intensidade, desde uma garoa leve até um furacão.

Este artigo apresenta um novo sistema de "posto de controle de segurança" em dois estágios (uma cascata de aprendizado profundo) projetado para escanear essas imagens oculares, encontrar as doenças e classificar a severidade da tempestade de RD. Veja como funciona, dividido em analogias simples:

Estágio 1: O Scanner de Segurança Grande Angular

Pense no primeiro estágio como um segurança super-rápido parado na entrada principal.

O Trabalho: Este segurança olha para a imagem do olho e verifica se existe qualquer uma das 28 doenças possíveis. Ele não está procurando apenas a tempestade de RD; ele está procurando por tudo.
A Ferramenta: Os pesquisadores usaram um modelo de IA inteligente chamado EfficientNetV2-S. Para torná-lo realmente bom em detectar doenças raras (que são como contrabando raro e difícil de detectar), eles o ensinaram usando uma regra especial chamada Perda Assimétrica (Asymmetric Loss). Pense nisso como treinar o segurança para ser extra cuidadoso para não deixar passar um item pequeno e escondido, mesmo que isso signifique que ele possa sinalizar alguns itens inofensivos por engano.
O Resultado: Este segurança é excelente. Ele identifica corretamente a presença de Retinopatia Diabética 98,3% das vezes.
A Ressalva: Os pesquisadores descobriram que, quando um paciente tem múltiplas doenças ao mesmo tempo (como uma tempestade mais uma tela rachada), o segurança fica confuso. Sua precisão cai cerca de 42% porque as doenças "interferem" umas nas outras, como muitas pessoas gritando ao mesmo tempo em uma sala lotada.

O Porteiro: O Interruptor "Calibrado por Platt"

Assim que o primeiro segurança detecta uma potencial tempestade de RD, a imagem não vai direto para a próxima etapa. Ela atinge um portão inteligente.

O Problema: O primeiro segurança às vezes fica excessivamente confiante ou pouco confiante sobre suas próprias previsões.
A Solução: Os pesquisadores adicionaram uma etapa de "calibração" (escalonamento de Platt). Imagine que isso é como um tradutor que pega a confiança bruta e instável do segurança e a transforma em uma pontuação de probabilidade precisa e confiável. Isso garante que o portão só se abra pelos motivos certos.

Estágio 2: O Classificador Especialista em Tempestades

Se o portão se abrir (significando que a imagem provavelmente tem RD), a imagem passa para o segundo estágio.

O Trabalho: Não se trata mais apenas de encontrar a doença; trata-se de classificar a severidade. É uma garoa leve (Leve), uma chuva forte (Moderada) ou um furacão (Severa)?
A Reviravolta: Os pesquisadores perceberam que a classificação não é apenas escolher uma categoria (como "Vermelho" ou "Azul"). É uma tarefa ordinal. Confundir uma tempestade "Moderada" com uma "Severa" é um erro maior do que confundir "Moderada" com "Leve".
As Ferramentas: Eles testaram dois "classificadores especialistas" diferentes:
1. EfficientNetV2-S: O polivalente. Foi o melhor no geral, obtendo uma pontuação de 0,93 (de 1,0) em quão bem ele classificou as tempestades corretamente.
2. Swin Transformer (Swin-S): O especialista. Embora seja ligeiramente menos preciso no geral, foi surpreendentemente bom em detectar as tempestades piores (graus Severos), agindo como um especialista que foca apenas nas situações mais perigosas.
A Estratégia: Eles usaram um método de "ensemble de 5 dobras" (5-fold ensemble). Imagine ter cinco especialistas diferentes olhando para a mesma imagem e tirando a média de suas opiniões. Isso tornou a decisão final muito mais estável e confiável.

Por que esta "Cascata" é Importante

O artigo argumenta que fazer tudo em um único modelo gigante é desorganizado.

A Analogia: Se você pedir a uma única pessoa para fazer tudo (escanear 28 doenças e classificar a severidade de uma doença específica), ela ficará sobrecarregada, especialmente quando múltiplas doenças estiverem presentes.
A Solução: Dividir o trabalho faz com que o primeiro estágio atue como um filtro. Ele captura os casos de RD e os envia para o classificador especializado. Isso mantém o classificador focado e eficiente.
A Rede de Segurança da "Incerteza": O sistema possui uma "zona nebulosa" especial (banda consciente da incerteza). Se o portão estiver incerto se deve enviar uma imagem para o classificador ou não, ele usa uma fórmula inteligente para misturar as duas informações, em vez de tomar uma decisão rígida e potencialmente errada.

O Que Eles Descobriram (Os Resultados)

Desempenho: O sistema é muito bom em encontrar a RD (98% de precisão) e em classificar sua gravidade (pontuação de 0,93).
A Descoberta da "Coocorrência": Eles provaram que, quando as doenças acontecem juntas, o sistema fica confuso. É exatamente por isso que eles precisavam do sistema de dois estágios: para lidar com a complexidade dos olhos reais, onde múltiplos problemas costumam existir.
Teste Cruzado: Eles testaram o sistema em um conjunto de dados diferente (RFMiD) do que foi usado para o treinamento (APTOS). Mesmo que a "iluminação" e as "câmeras" fossem diferentes, o sistema ainda funcionou bem para detectar a presença de RD, provando que é robusto.

Em Resumo

Este artigo construiu um pipeline de IA de duas etapas para a saúde ocular.

Etapa 1: Um scanner amplo encontra se qualquer doença está presente, com um foco especial em detectar a Retinopatia Diabética.
Etapa 2: Um classificador especializado pega esses casos específicos e avalia o quão grave é a RD, usando um método que entende que "ruim" é pior do que "ok", que é pior do que "bem".

O resultado é um sistema que é mais preciso e eficiente do que tentar fazer tudo de uma vez, especialmente ao lidar com olhos que possuem múltiplos problemas simultâneos.

Resumo Técnico: Uma Cascata de Aprendizado Profundo Unificada para Detecção de Doenças Retinianas e Graduação de Severidade da Retinopatia Diabética

Definição do Problema
A Retinopatia Diabética (RD) é uma das principais causas de cegueira evitável, necessitando de triagens automatizadas confiáveis. A literatura atual de aprendizado profundo tipicamente aborda a detecção de doenças retinianas e a graduação de severidade da RD como tarefas isoladas. Além disso, a graduação da RD é frequentemente tratada como um problema de classificação categórica padrão, ignorando sua natureza ordinal (onde classificar incorretamente um caso grave como leve é mais prejudicial do que um erro entre classes vizinhas). Adicionalmente, a presença de múltiplas doenças retinianas coocorrentes pode degradar o desempenho de modelos de estágio único, um fator frequentemente negligenciado em frameworks unificados.

Metodologia
Os autores propõem uma cascata de aprendizado profundo de dois estágios projetada para unificar a triagem de doenças retinianas multilabel com a graduação ordinal da severidade da RD.

Estágio 1: Detecção de Doenças Retinianas Multi-label
- Dataset: RFMiD (3.200 imagens, 28 categorias de doenças).
- Arquitetura: Backbone EfficientNetV2-S.
- Estratégia de Treinamento: O modelo é treinado usando Perda Assimétrica (ASL) para lidar com o desequilíbrio severo de classes e distribuições de cauda longa comuns em datasets multi-label. O pré-processamento inclui normalização de contraste de Ben Graham e aumentos extensivos (MixUp, CutMix).
- Saída: O modelo prevê probabilidades para 28 doenças retinianas. A classe de RD serve especificamente como o "sinal de portão" (gate signal) para determinar se uma imagem prossegue para o Estágio 2.
Mecanismo de Portão (Gate) & Calibração
- As saídas sigmoid raw do classificador multi-label são frequentemente mal calibradas. Os autores aplicam escalonamento de Platt (Platt scaling) às probabilidades posteriores da RD para garantir um sinal de portão confiável.
- Variantes da Cascata: O estudo avalia quatro variantes:
  - C0: Apenas o Estágio 2 (baseline).
  - C1/C2: Gating rígido (hard gating) usando probabilidades raw ou calibradas, respectivamente.
  - C3 (Proposta): Uma cascata bidirecional consciente de incerteza. Ela utiliza dois limiares ( $\tau_{low}, \tau_{high}$ ) para criar três regiões: não-RD definitiva (saída 0), RD definitiva (passa para o Estágio 2) e uma banda ambígua. Na banda ambígua, utiliza-se um score fundido combinando a probabilidade do portão e o score contínuo do Estágio 2.
Estágio 2: Graduação de Severidade Ordinal da RD
- Dataset: APTOS-2019 (3.662 imagens, 5 graus de severidade: 0–4).
- Abordagem: Formulada como regressão ordinal em vez de classificação categórica para preservar as relações de severidade.
- Backbones: Duas arquiteturas são comparadas:
  - EfficientNetV2-S: Utiliza perda de Erro Quadrático Médio (MSE).
  - Swin Transformer Small (Swin-S): Utiliza MSE Ponderado (WMSE) para abordar o desequilíbrio de classes e aproveita a atenção de janela deslocada hierárquica.
- Ensemble: Um ensemble de validação cruzada estratificada de 5 dobras é usado para gerar os scores contínuos finais, que são convertidos em graus discretos (0–4) usando um OptimizedRounder baseado na otimização do Kappa de Peso Quadrático (QWK).

Principais Contribuições

Framework de Cascata Unificada: Um novo pipeline de dois estágios que integra a detecção de doenças multi-label com a graduação ordinal de RD, roteando apenas amostras positivas para RD ao graduador de severidade.
Comparação Sistemática de Backbones: Uma avaliação detalhada do EfficientNetV2-S versus Swin-S para regressão ordinal, analisando a sensibilidade da função de perda e estratégias de ponderação de classe.
Análise de Degradação por Coocorrência: Uma análise quantitativa demonstrando que patologias retinianas simultâneas degradam o desempenho de reconhecimento (uma queda de 42% no F1-macro para imagens com múltiplas doenças), fornecendo a motivação empírica para a arquitetidade de cascata.
Roteamento Consciente de Incerteza: A introdução de uma cascata bidirecional (C3) que utiliza uma banda de ambiguidade para fundir evidências, reduzindo erros em comparação com mecanismos de gating rígido.

Resultados Experimentais

Estágio 1 (RFMiD): EfficientNetV2-S com ASL alcançou uma AUC média de 0.910 e mAP de 0.539. O canal de RD especificamente atingiu um AUC de 0.983, validando sua confiabilidade como sinal de portão.
Impacto da Coocorrência: O desempenho degradou significativamente para imagens com 2–3 doenças (F1-macro caiu de 0.455 para 0.266). A análise de AUC condicional mostrou que pares específicos de doenças (ex: RD com Degeneração de Lattice) causaram quedas significativas de desempenho, justificando a necessidade de um graduador dedicado.
Estágio 2 (APTOS-2019):
- O ensemble de 5 dobras do EfficientNetV2-S alcançou o maior desempenho geral com um QWK de 0.9339.
- O Swin-S alcançou um QWK fora da amostra (out-of-fold) de 0.8963, mas demonstrou sensibilidade superior para prever graus severos (Grau 3 e 4).
Avaliação da Cascata:
- A calibração foi crítica: o portão rígido calibrado (C2) superou o portão rígido raw (C1) em +0.013 QWK.
- A cascata consciente de incerteza (C3) alcançou um QWK de 0.9038 no slice de relatório disjunto, superando as variantes de portão rígido e aproximando-se do desempenho do baseline de apenas Estágio 2 (C0) em dados dentro da distribuição.
- A atribuição de erro revelou que apenas 4% dos erros foram devidos a falhas de portão, enquanto 76% foram devidos a erros de magnitude do Estágio 2 (discriminação de graus adjacentes), identificando o regressor como o principal gargalo.
Validação Cross-Domain: Ao ser aplicado ao conjunto de teste RFMiD (treinado apenas no APTOS), a cascata manteve um AUC de detecção de RD alto de 0.981, demonstrando robustez à mudança de domínio, embora as previsões de severidade não tenham sido validadas devido à falta de ground truth no RFMiD.

Significância e Alegações
O artigo alega que esta cascata unificada aborda efetivamente a lacuna entre a triagem geral de doenças retinianas e a graduação específica de severidade da RD. Ao analisar a coocorrência de doenças, os autores demonstram que um modelo de estágio único tem dificuldades com entradas de múltiplas patologias, motivando o design da cascata. O estudo destaca que o escalonamento de Platt é um pré-requisito para um gating rígido eficaz e que o roteamento consciente de incerteza pode recuperar o desempenho perdido pelos mecanismos de portão.

Os autores observam que, embora o EfficientNetV2-S forneça precisão geral superior, o Swin-S oferece forças complementares na detecção de casos graves. O framework é apresentado como um passo em direção aos fluxos de trabalho de triagem oftalmológica do mundo real, onde múltiplas anormalidades frequentemente coexistem. O artigo reconhece modestamente as limitações, incluindo a falta de rótulos de severidade de ground truth no RFMiD para validação quantitativa do Estágio 2 nesse dataset, a ausência de visualizações de interpretabilidade (ex: Grad-CAM) e a necessidade de validação externa em datasets hospitalares antes da implantação clínica.