Conectando Representação Semântica Global e Eficiência de Inferência por meio de Destilação de Conhecimento Híbrida para Classificação de Ressonância Magnética Cardíaca Clinicamente Aplicável

Na ressonância magnética cardíaca (MRI), alcançar um equilíbrio entre representação semântica de alto nível e inferência em tempo real continua a ser um desafio fundamental. Embora os Transformers de Visão (ViTs) capturem efetivamente dependências globais, seu custo computacional limita a implementação clínica. Por outro lado, as Redes Neurais Convolucionais (CNNs) oferecem eficiência, mas muitas vezes não conseguem modelar estruturas cardíacas globais. Este estudo propõe uma estrutura otimizada de destilação de conhecimento híbrido que transfere representações semânticas ricas de um modelo professor computacionalmente intensivo para uma rede estudantil leve, permitindo uma classificação precisa e eficiente de MRI cardíaca adequada para ambientes clínicos. Uma arquitetura de professor de ramificação dupla foi projetada integrando uma espinha dorsal EfficientNetB0 com um módulo de Atenção de Múltiplas Cabeças personalizado para capturar conjuntamente características locais dos tecidos e o contexto estrutural global. A destilação de conhecimento foi realizada usando uma função de perda híbrida aprimorada com suavização de rótulos para mitigar a autoconfiança excessiva e reinícios de decaimento de cosseno para melhorar a dinâmica de otimização no modelo estudantil. Usando validação cruzada de 5 dobras, o modelo estudantil destilado alcançou uma precisão média de classificação de 86,84% ± 1,12% e uma sensibilidade de 86,46% ± 0,95%. A baixa variância entre as dobras indica robustez à heterogeneidade dos dados. Comparado a um modelo ViT de referência, a estrutura proposta apresentou desempenho diagnóstico comparável enquanto alcançou uma melhoria de 3,01 vezes na eficiência computacional, possibilitando inferência em tempo real em hardware médico padrão. A estrutura proposta efetivamente preenche a lacuna entre a riqueza semântica e a eficiência de inferência na análise de MRI cardíaca, oferecendo uma solução prática e aplicável para sistemas de suporte à decisão clínica baseados em inteligência. Estrutura de Destilação Híbrida Otimizada para MRI Cardíaca • Aborda o compromisso entre representação semântica e eficiência de inferência em MRI cardíaca • Introduz um professor híbrido de CNN–atenção para destilação efetiva de conhecimento • Melhora a generalização do modelo estudantil usando suavização de rótulos e reinícios de decaimento de cosseno • Alcança desempenho estável com baixa variância entre dobras de validação cruzada • Possibilita classificação de MRI cardíaca em tempo real em hardware clínico padrão