INTERACT-CMIL: Multi-Task Shared Learning and Inter-Task Consistency for Conjunctival Melanocytic Intraepithelial Lesion Grading

Resumen Técnico: INTERACT-CMIL

Enunciado del Problema
La clasificación precisa de las Lesiones Intraepiteliales Melanocíticas Conjuntivales (CMIL) es crítica para predecir el melanoma conjuntival y determinar el tratamiento. Sin embargo, las prácticas diagnósticas actuales dependen de la evaluación histopatológica subjetiva de secciones teñidas con Hematoxilina y Eosina (H&E), lo que genera una variabilidad interobservador significativa, particularmente para lesiones de bajo grado. La complejidad de la clasificación de CMIL surge de la necesidad de evaluar simultáneamente cinco ejes histopatológicos interrelacionados: clasificación WHO4, clasificación WHO5, extensión horizontal (HS), extensión vertical (VS) y atipia citológica (AP). Estos criterios exhiben dependencias fuertes (por ejemplo, la atipia severa a menudo coincide con una proliferación vertical aumentada), sin embargo, los enfoques computacionales existentes a menudo modelan estos ejes de forma independiente, arriesgando predicciones clínicamente implausibles o inconsistentes. Además, la rareza de las CMIL y la escasez de datos anotados plantean desafíos para entrenar modelos robustos de aprendizaje profundo.

Metodología
Los autores proponen INTERACT-CMIL, un marco de aprendizaje profundo multi-cabeza diseñado para predecir conjuntamente los cinco ejes diagnósticos mientras se impone consistencia entre las tareas. La arquitectura se basa en el modelo fundamental CHIEF, un codificador de patología a gran escala preentrenado en diversas imágenes de diapositivas completas, que sirve como extractor de características congelado para capturar representaciones histomorfológicas transferibles.

La metodología central consta de tres componentes clave:

1. Aprendizaje de Características Compartido con Supervisión Parcial Combinatoria (SFCS): El marco utiliza una representación latente compartida transformada en cinco cabezas de clasificación específicas de la tarea. En lugar de optimizar todas las cabezas simultáneamente, el modelo emplea una estrategia de supervisión parcial combinatoria. Durante cada iteración de entrenamiento, solo se activa un subconjunto de tres cabezas. El sistema recorre sistemáticamente todas las combinaciones posibles de tres cabezas, asegurando una exposición uniforme a contextos de supervisión diversos. Este enfoque mitiga el sobreajuste y fomenta que la representación compartida codifique características que se generalizan entre tareas correlacionadas pero no idénticas.
2. Regularización de Dependencia Inter-tarea: Para abordar las correlaciones estructuradas entre los ejes de clasificación, los autores introducen una función de pérdida de dependencia basada en divergencia ($L_{dep}$). Esta función de pérdida alinea las distribuciones conjuntas de tareas predichas con las estadísticas de co-ocurrencia empíricas observadas en los datos. Al minimizar la divergencia de Kullback-Leibler (KL) entre la distribución conjunta predicha y la priori empírica, el modelo impone coherencia semántica y consistencia entre las salidas de las diferentes cabezas.
3. Objetivo General: La función de pérdida total combina la pérdida de clasificación ($L_{cls}$) de las cabezas activas y la pérdida de dependencia ($L_{dep}$), ponderadas por un hiperparámetro $\lambda$. Esto asegura que el modelo optimice tanto la precisión a nivel de tarea como la consistencia entre tareas.

Contribuciones Clave

• Primer Marco Especializado: El artículo presenta el primer marco de aprendizaje profundo diseñado específicamente para la clasificación de CMIL, integrando tanto los paradigmas de clasificación WHO como C-MIN.
• Arquitectura Novel: Introduce una arquitectura multi-cabeza que utiliza supervisión parcial combinatoria para promover la robustez y el aprendizaje equilibrado entre tareas correlacionadas.
• Modelado de Dependencias: La propuesta de una pérdida de interdependencia que captura explícitamente las relaciones entre criterios, mejorando la interpretabilidad del modelo y la coherencia diagnóstica.
• Curación de Conjunto de Datos: La creación y liberación de un conjunto de datos recién curado, multicéntrico, que comprende 486 parches de biopsia conjuntival anotados por expertos de tres hospitales universitarios alemanes (Bonn, Tubinga y Erlangen), proporcionando una base robusta para el aprendizaje multi-tarea en este dominio.

Resultados
El marco fue evaluado en un conjunto de prueba retenido utilizando validación cruzada de 5 pliegues, con el rendimiento medido mediante puntuaciones F1 macro. INTERACT-CMIL logró mejoras consistentes tanto sobre una línea base CNN estándar (ResNet-18) como sobre una línea base de modelo fundamental (BaseCHIEF) entrenada con objetivos de tarea única o multi-tarea conjunta.

• Ganancias de Rendimiento: En relación con la línea base más fuerte (BaseCHIEF), INTERACT-CMIL logró ganancias relativas macro F1 del 55.1% para WHO4, 24.7% para WHO5, 15.2% para Extensión Horizontal, 25.0% para Extensión Vertical y 12.5% para Atipia.
• Estudios de Ablación: Los autores realizaron estudios de ablación para cuantificar la contribución de cada componente:
  • Eliminar la pérdida de dependencia causó la mayor caída individual de rendimiento (aproximadamente una disminución media macro F1 del 2–3%), afectando particularmente la detección de atipia y extensión vertical.
  • Desactivar el escalado de temperatura redujo aún más el rendimiento en aproximadamente un 5–6%.
  • Eliminar la supervisión selectiva multi-cabeza condujo a la caída acumulativa más significativa (promediando más del 8% por debajo del modelo completo), confirmando su papel como un regularizador fuerte que previene la dominación del gradiente y equilibra el aprendizaje entre tareas.
• Análisis Cualitativo: Las comparaciones visuales demostraron un acuerdo estrecho entre la verdad fundamental y las predicciones del modelo, incluso en casos limítrofes donde la variabilidad humana suele ser alta.

Significado y Afirmaciones
El artículo afirma que INTERACT-CMIL establece un marco reproducible, interpretable y alineado clínicamente para la clasificación automatizada de CMIL. Al modelar explícitamente las dependencias diagnósticas mediante el aprendizaje de características compartidas y la regularización de dependencia, el sistema produce predicciones multi-criterio coherentes que se alinean con el consenso de expertos y los estándares establecidos de WHO/C-MIN. Los autores posicionan este trabajo como un paso hacia la patología ocular digital estandarizada, ofreciendo un referente computacional que aborda la subjetividad y la variabilidad inherentes a las prácticas actuales de clasificación manual. El estudio enfatiza que las mayores ganancias de rendimiento se observaron en tareas que dependen de señales morfológicas sutiles y consistencia inter-criterio (extensión vertical y atipia citológica), áreas donde los modelos basados en tarea única o CNN estándar tienden a fallar.