💻 computer science

Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation

Este artículo presenta una evaluación exhaustiva de modelos de aprendizaje profundo y modelos fundacionales de visión para clasificar la mitosis atípica frente a la normal en el cáncer de mama, demostrando que las técnicas de aprendizaje por transferencia y ajuste fino abordan eficazmente los desafíos de clasificación tanto en conjuntos de datos del dominio como en nuevos conjuntos de datos fuera del dominio.

Autores originales: Sweta Banerjee, Viktoria Weiss, Taryn A. Donovan, Rutger H. J. Fick, Thomas Conrad, Jonas Ammeling, Nils Porsche, Robert Klopfleisch, Christopher Kaltenecker, Katharina Breininger, Marc Aubreville, Ch

Publicado 2026-04-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sweta Banerjee, Viktoria Weiss, Taryn A. Donovan, Rutger H. J. Fick, Thomas Conrad, Jonas Ammeling, Nils Porsche, Robert Klopfleisch, Christopher Kaltenecker, Katharina Breininger, Marc Aubreville, Christof A. Bertram

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que una célula que se divide es como un panadero amasando masa y dividiéndola en dos hogazas perfectas e idénticas. Esto es una mitosis normal. Pero a veces, el panadero se vuelve torpe, la masa se rompe o las hogazas salen desiguales. Esto es una mitosis atípica. En el mundo del cáncer, detectar a estos "panaderos torpes" es una pista enorme de que un tumor podría ser agresivo y peligroso.

Sin embargo, encontrar a estos panaderos torpes es increíblemente difícil para los patólogos humanos (los médicos que observan diapositivas al microscopio). Son raros, se ven muy similares a los normales e incluso los expertos a menudo discrepan sobre lo que ven. Es como intentar encontrar una aguja específica y ligeramente torcida en un inmenso pajar, donde la paja sigue cambiando de color.

Este artículo es una carrera para ver qué programa informático es mejor detectando a estos "panaderos torpes".

Los contendientes: Tres estrategias diferentes

Los investigadores organizaron una competición con tres tipos diferentes de "detectives" (modelos de IA) para ver quién podía resolver este acertijo mejor:

Los detectives "de cero" (Modelos de extremo a extremo): Son como contratar a un becario inteligente y enseñarle todo desde cero usando un libro de texto específico. Aprenden las reglas de la división celular completamente a partir de los datos proporcionados.
- Los modelos: EfficientNet, Vision Transformer (ViT) y Swin Transformer.
Los "bibliotecarios expertos" (Modelos fundacionales con sondeo lineal): Imagina a un bibliotecario que ha leído millones de libros sobre biología pero nunca le han pedido detectar panaderos torpes. Le pides que mire una imagen y simplemente dibuje una línea simple para decir "sí" o "no". Utilizan su vasto conocimiento general pero no cambian su cerebro; solo añaden un filtro diminuto y sencillo encima.
- Los modelos: Enormes modelos preentrenados como UNI, Virchow y H-Optimus.
Los "aprendices especializados" (Modelos fundacionales con LoRA): Es el mismo bibliotecario, pero en lugar de solo dibujar una línea, le das un pequeño cuaderno especializado (llamado LoRA) para escribir reglas específicas para este trabajo. Mantiene su vasto conocimiento general pero aprende solo los nuevos trucos necesarios para convertirse en experto detectando panaderos torpes sin necesidad de reescribir todo su cerebro.

La prueba de conducción: Tres cursos diferentes

Para ver quién era realmente el mejor, los investigadores no solo los probaron con las mismas tareas que estudiaron. Les dieron tres exámenes diferentes:

El examen de práctica (AMi-Br): Este fue el conjunto de datos principal utilizado para el entrenamiento. Contenía miles de imágenes de células de cáncer de mama humano.
El examen "Misma ciudad, barrio diferente" (AtNorM-Br): Este utilizó imágenes de una fuente diferente (TCGA). Era como probar a los detectives en el mismo tipo de ciudad, pero con diferentes señales de tráfico e iluminación.
El examen "País extranjero" (AtNorM-MD): Esta fue la prueba más difícil. Incluía no solo cáncer de mama humano, sino también tumores de perros y otros cánceres humanos. Era como enviar a los detectives a un país completamente diferente con idiomas y costumbres distintos para ver si aún podían encontrar a los panaderos torpes.

Los resultados: ¿Quién ganó?

1. Los "aprendices especializados" (LoRA) fueron los claros vencedores.
Cuando a los modelos fundacionales (los bibliotecarios) se les dio ese pequeño cuaderno especializado (LoRA), se desempeñaron increíblemente bien. El modelo Virchow2 con LoRA fue el campeón, logrando la mayor precisión en el examen de práctica. Demostró que tomar una IA masiva y general y darle un ajuste diminuto y específico es una estrategia muy poderosa.

2. Los detectives "de cero" fueron fuertes subcampeones.
Los modelos entrenados desde cero (de extremo a extremo) lo hicieron muy bien, especialmente en el examen "País extranjero". El Swin Transformer fue el mejor en esto, mostrando que a veces un equipo dedicado entrenado específicamente para el trabajo puede manejar situaciones nuevas y extrañas mejor que un generalista.

3. Los "bibliotecarios expertos" (sondeo lineal) tuvieron dificultades.
Cuando los bibliotecarios intentaron hacer el trabajo sin el cuaderno especializado (solo usando una línea simple), se desempeñaron mal. Resulta que su vasto conocimiento general no fue suficiente para detectar estos errores específicos y sutiles sin algún entrenamiento adicional.

La gran conclusión

El artículo concluye que, aunque detectar estas divisiones celulares anormales es un trabajo difícil, la IA puede hacerlo de manera efectiva.

La lección más importante es que cómo entrenas a la IA importa más que simplemente tener una IA grande.

Simplemente pedirle a un modelo preentrenado gigante que adivine (sondeo lineal) no es suficiente.
Darle a ese modelo gigante una forma pequeña y eficiente de aprender la tarea específica (LoRA) funciona maravillas.
A veces, entrenar un modelo desde cero con los datos específicos sigue siendo una estrategia muy competitiva.

Los investigadores también liberaron todos sus datos y código, entregando esencialmente las "preguntas del examen" y las "hojas de respuestas" al resto de la comunidad científica para que todos puedan seguir mejorando a estos detectives. Señalaron que, aunque los modelos son buenos, aún tienen dificultades cuando el "país extranjero" (diferentes tipos de tejido o escáneres) es demasiado diferente, lo que sugiere que aún necesitamos datos más diversos para hacer estas herramientas perfectas para cada situación.

A continuación se presenta un resumen técnico detallado del artículo "Benchmarking Deep Learning and Vision Foundation Models for Atypical vs. Normal Mitosis Classification with Cross-Dataset Evaluation".

1. Planteamiento del Problema

El artículo aborda el desafío crítico de clasificar Figuras Mitóticas Atípicas (AMF) frente a Figuras Mitóticas Normales (MF) en histopatología.

Significado Clínico: Las AMF representan una división celular anormal y sirven como un marcador pronóstico independiente para la malignidad del tumor y la supervivencia del paciente. Cuantificar la relación de AMF es esencial para evaluar la agresividad del tumor.
Desafíos:
- Baja Prevalencia: Las AMF son raras en comparación con las MF normales, lo que genera un desequilibrio de clases severo.
- Sutileza Morfológica: Las diferencias visuales entre las figuras normales y atípicas suelen ser sutiles, con características superpuestas.
- Variabilidad en la Anotación: Existe un bajo acuerdo inter-evaluador entre los patólogos, lo que dificulta la generación de una verdad fundamental (ground truth).
- Cambio de Dominio: Los modelos entrenados en conjuntos de datos específicos a menudo fallan al generalizar a datos de diferentes instituciones, escáneres o especies debido a variaciones en la tinción y la preparación de tejidos.
Brecha: Si bien el aprendizaje profundo ha mejorado la detección de MF, existe una falta de benchmarks estandarizados y evaluaciones integrales de Modelos Fundacionales (pre-entrenados en conjuntos de datos masivos) específicamente para la clasificación binaria de AMF vs. MF Normal.

2. Metodología

2.1 Conjuntos de Datos

Los autores introducen y utilizan tres conjuntos de datos distintos para garantizar una evaluación rigurosa:

AMi-Br (Entrenamiento y Prueba In-Dominio): El conjunto de datos más grande que contiene 3,720 MF de cáncer de mama humano (fuentes TUPAC16 y MIDOG21). Las anotaciones se basan en una votación mayoritaria de 3 expertos.
- Balance de Clases: ~22.4% Atípicas, ~77.6% Normales.
AtNorM-Br (Prueba Out-of-Domain): Contiene 746 MF de la cohorte de cáncer de mama TCGA.
- Anotación: Un solo experto (altamente experimentado).
- Propósito: Prueba la generalización a una fuente de datos diferente (TCGA) con un posible sesgo en las etiquetas.
AtNorM-MD (Prueba Out-of-Domain/Multi-Dominio): Contiene 2,107 MF de un subconjunto del conjunto de datos MIDOG++, abarcando seis dominios (tumores humanos y caninos, incluidos pulmón, linfoma, melanoma, etc.).
- Anotación: Votación mayoritaria de 5 expertos.
- Propósito: Prueba la generalización a través de especies y tipos de tejidos (cambio de dominio significativo).

2.2 Arquitecturas de Modelos y Estrategias

El estudio evalúa tres estrategias de aprendizaje distintas:

A. Líneas Base Ajustadas de Extremo a Extremo (End-to-End Fine-Tuned):
- Tres arquitecturas entrenadas desde cero (usando pesos de ImageNet) en el conjunto de datos AMi-Br: EfficientNetV2, Vision Transformer (ViT) y Swin Transformer.
- Ajuste fino completo de todas las capas.
B. Modelos Fundacionales con Sondas Lineales (Linear Probing):
- Ocho Modelos Fundacionales de Visión de última generación (pre-entrenados en millones de baldosas de histopatología utilizando aprendizaje auto-supervisado/DINOv2): UNI, UNI2-h, Virchow, Virchow2, Prov-Gigapath, H-Optimus-0, H-Optimus-1 y H0-mini.
- Estrategia: La columna vertebral (backbone) se congela; solo se entrena un clasificador lineal ligero sobre los embeddings extraídos.
C. Modelos Fundacionales con LoRA (Adaptación de Bajo Rango):
- Los mismos ocho modelos fundacionales se adaptan utilizando LoRA, una técnica de Ajuste Fino Eficiente en Parámetros (PEFT).
- Estrategia: Los pesos originales se congelan; se inyectan pequeñas matrices de bajo rango entrenables en las capas de atención (Consulta, Clave, Valor) y en los componentes MLP. Esto permite la adaptación con un costo computacional mínimo mientras se retiene el conocimiento pre-entrenado del modelo.

2.3 Configuración Experimental

Entrenamiento: Todos los modelos entrenados exclusivamente en el conjunto de datos AMi-Br.
Validación: Validación cruzada de 5 pliegues con estratificación a nivel de paciente para evitar la fuga de datos.
Métricas: Precisión Balanceada (métrica principal debido al desequilibrio de clases) y AUROC.
Preprocesamiento: Redimensionamiento de imágenes a 224x224, aumentaciones estándar (volteo, rotación, jitter de color) y normalización específica del modelo.

3. Contribuciones Clave

Nuevos Benchmarks: Introducción de dos nuevos conjuntos de datos retenidos (AtNorM-Br y AtNorM-MD) diseñados específicamente para evaluar la generalización cruzada de conjuntos de datos y dominios para la clasificación de AMF.
Evaluación Comparativa Integral: La primera comparación a gran escala del ajuste fino de extremo a extremo, las sondas lineales y el ajuste fino con LoRA para la tarea específica de clasificación de mitosis atípica vs. normal.
Liberación de Código y Datos: Disponibilidad pública de todo el código, datos y modelos entrenados a través de un repositorio de GitHub para facilitar futuras investigaciones.

4. Resultados

Resumen de Rendimiento (Precisión Balanceada)

In-Dominio (AMi-Br):
- Mejor Modelo: Virchow2 (LoRA) alcanzó la mayor precisión balanceada de 0.8135.
- Líneas Base: El Swin Transformer (extremo a extremo) tuvo el mejor desempeño entre las líneas base (0.8052), superando a EfficientNetV2 y ViT.
- Sondas Lineales: Los modelos fundacionales con solo sondas lineales tuvieron un rendimiento deficiente (0.60–0.65), lo que indica que las características congeladas fueron insuficientes para esta tarea específica.
Out-of-Domain (AtNorM-Br):
- Mejor Modelo: ViT (Extremo a Extremo) lideró con 0.7788.
- Rendimiento LoRA: Virchow (LoRA) siguió de cerca (0.7696). Los modelos LoRA superaron consistentemente a sus contrapartes de sondas lineales.
Multi-Dominio (AtNorM-MD):
- Mejor Modelo: Swin Transformer (Extremo a Extremo) alcanzó 0.7723.
- Rendimiento LoRA: Virchow (LoRA) fue el mejor modelo fundacional (0.7705).
- Brecha de Generalización: Todos los modelos mostraron una caída en el rendimiento en comparación con AMi-Br, destacando la dificultad de los cambios de dominio (diferentes especies/tejidos).

Significancia Estadística

LoRA vs. Sondas Lineales: LoRA superó significativamente a las sondas lineales en todos los conjuntos de datos ( $p \ll 0.001$ ).
Líneas Base vs. Sondas Lineales: Las líneas base de extremo a extremo superaron significativamente a las sondas lineales ( $p \ll 0.0001$ ).
Líneas Base vs. LoRA: La diferencia entre las líneas base completas de extremo a extremo y los modelos fundacionales ajustados con LoRA no fue estadísticamente significativa en la mayoría de los casos (por ejemplo, $p=0.73$ para AMi-Br), lo que sugiere que LoRA permite a los modelos fundacionales alcanzar el nivel de rendimiento de los modelos entrenados desde cero, pero el ajuste fino completo aún mantiene una ligera ventaja en algunos escenarios cruzados de dominio.

5. Significado y Discusión

Efectividad de la Adaptación: El estudio demuestra que, aunque los modelos fundacionales poseen características generalizables, el ajuste fino es esencial para la tarea matizada de clasificación de AMF. Las sondas lineales son insuficientes, pero LoRA proporciona una alternativa altamente eficiente al ajuste fino completo, logrando un rendimiento comparable con menos parámetros actualizados.
Desafíos del Cambio de Dominio: Los resultados confirman que los cambios de dominio (diferentes escáneres, protocolos de tinción y especies) degradan significativamente el rendimiento. La inclusión de datos multi-dominio (AtNorM-MD) revela que los modelos entrenados únicamente en cáncer de mama humano luchan por generalizar a otros tejidos sin una adaptación específica.
Direcciones Futuras: Los autores señalan que la limitación actual es el entrenamiento solo en cáncer de mama humano. El trabajo futuro debería integrar estos clasificadores en una tubería de detección de dos etapas y expandir los datos de entrenamiento para incluir diversos tipos de tejidos y especies, mejorando la robustez.
Impacto Clínico: Al automatizar la cuantificación de las relaciones de AMF, esta tecnología puede apoyar una clasificación de tumores más objetiva, reproducible y eficiente, mejorando potencialmente la planificación del tratamiento y las evaluaciones pronósticas en entornos clínicos.

En conclusión, el artículo establece que los modelos fundacionales ajustados con LoRA (específicamente Virchow2) y los Swin Transformers ajustados de extremo a extremo representan el estado del arte para la clasificación de AMF, superando significativamente a las sondas lineales simples y ofreciendo un camino viable hacia un análisis histopatológico automatizado y robusto.