Transfer Learning from One Cancer to Another via Deep Learning Domain Adaptation

Resumen Técnico: Aprendizaje por Transferencia de un Cáncer a Otro mediante Aprendizaje Profundo de Adaptación de Dominio

Planteamiento del Problema
Los modelos de aprendizaje profundo supervisados en la histopatología del cáncer suelen lograr una alta precisión dentro de su distribución de entrenamiento específica, pero fallan al generalizarse a tipos de cáncer o sitios anatómicos relacionados pero no vistos. Esta limitación surge del "desplazamiento de dominio" (domain shift), causado por variaciones en los protocolos de tinción, la arquitectura tisular, la resolución y las modalidades de imagen entre diferentes órganos. Si bien los adenocarcinomas de diferentes órganos (p. ej., pulmón, colon, mama, riñón) comparten características morfológicas fundamentales como estructuras glandulares y atipia nuclear, los clasificadores estándar luchan por aprovechar estas características compartidas sin una adaptación explícita. Además, la escasez de imágenes médicas anotadas en ciertos dominios exacerba la necesidad de métodos que puedan transferir el conocimiento desde dominios de origen bien etiquetados hacia dominios de destino no etiquetados.

Metodología
Los autores evalúan la viabilidad de transferir el conocimiento de la clasificación de cáncer a través de cuatro tipos de adenocarcinoma: mama, colon, pulmón y riñón. El estudio emplea una arquitectura de Red Neuronal de Adaptación de Dominio Adversario (DANN, por sus siglas en inglés) construida sobre un extractor de características ResNet-50.

• Preparación de Datos: El estudio utiliza el Multi Cancer Dataset de Kaggle. Para abordar las inconsistencias de etiquetas entre los tipos de cáncer, los autores binarizan todas las subetiquetas en dos clases: Normal/Benigno (0) y Maligno (1). Se establece una distinción crítica entre las modalidades de imagen: los datos de mama, pulmón y colon consisten en imágenes de histopatología (nivel celular), mientras que los datos de riñón consisten en tomografías computarizadas (TC) (nivel de órgano).
• Arquitectura y Entrenamiento: El modelo DANN consta de un extractor de características, una rama de predicción de clase y una rama de clasificación de dominio.
  • Función de Pérdida: La pérdida total combina una pérdida de clasificación (Entropía Cruzada ponderada por instancia) en los datos etiquetados de origen y una pérdida de adaptación de dominio adversaria (Entropía Cruzada Binaria) en los datos de origen y de destino.
  • Reversión de Gradiente: Se aplica una Capa de Reversión de Gradiente (GRL) a la rama de dominio durante la retropropagación. Esta capa niega los gradientes, obligando al extractor de características a aprender representaciones invariantes al dominio que confundan al clasificador de dominio mientras mantienen la precisión de clasificación en el dominio de origen.
  • Programación de Lambda: El peso de la pérdida de adaptación de dominio adversaria ($\lambda$) sigue un esquema de aumento parabólico, comenzando en 0 para priorizar el aprendizaje de la clasificación y aumentando hasta 1 para priorizar la adaptación de dominio hacia el final del entrenamiento.
• Diseño Experimental:
  1. Línea Base (Baseline): Modelos supervisados de un solo dominio entrenados en un tipo de cáncer y probados en todos los demás.
  2. Ensemble: Ensembles de modelos supervisados de "dejar uno fuera" (leave-one-out) para probar si la combinación de características mejora la generalización.
  3. Adaptación de Dominio: Modelos DANN entrenados en dominios de origen etiquetados y adaptados a dominios de destino no etiquetados.
  4. Normalización de Tinciones: Experimentos que comparan el rendimiento de DANN con y sin normalización de tinciones para evaluar su impacto en la reducción de la brecha de dominio.
  5. Explicabilidad: Se utilizan Gradientes Integrados para generar mapas de atribución a nivel de píxel, verificando que el modelo se enfoca en características biológicamente relevantes (p. ej., núcleos densamente empaquetados).

Resultados Clave

• Limitaciones de la Línea Base y del Ensemble: Los modelos supervisados estándar entrenados en un solo dominio lograron >98% de precisión en su propio dominio, pero mostraron una generalización mínima hacia otros (a menudo cerca del azar, ~50%). Los métodos de ensemble no resolvieron esta limitación, con una precisión de trans-dominio que permaneció baja (50%–62.3%).
• Rendimiento de DANN (Sin Normalización de Tinciones):
  • Objetivo Pulmón: Al adaptar desde datos etiquetados de mama y colon hacia datos no etiquetados de pulmón, el DANN alcanzó una precisión del 95.56% (excluyendo los datos de riñón).
  • Objetivo Colon: La adaptación al dominio de colon produjo una precisión del 78.48%.
  • Objetivo Mama: La adaptación al dominio de mama resultó en un 49.22% de precisión (cerca del azar).
  • Objetivo Riñón: Incluir el riñón (TC) como dominio de destino resultó en un desempeño pobre (41.10%), atribuido a la diferencia significativa de modalidad entre la TC y la histopatología.
• Impacto de la Normalización de Tinciones: El efecto de la normalización de tinciones fue altamente variable:
  • Mama y Colon: La normalización de tinciones mejoró significamente el rendimiento, elevando la precisión de mama de 49.22% a 81.29% y la de colon de 78.48% a 83.36%.
  • Pulmón: Por el contrario, la normalización de tinciones degradó el rendimiento de pulmón, bajando la precisión de 95.56% a 66.60%.
• Explicabilidad: Los Gradientes Integrados revelaron que el DANN atribuye consistentemente una alta importancia a los núcleos densamente empaquetados, una característica biológicamente significativa utilizada por los patólogos para el diagnóstico. Esto confirma que el modelo aprende características clínicamente relevantes en lugar de correlaciones espurias.

Significancia y Reivindicaciones
El artículo afirma demostrar que la adaptación de dominio no supervisada puede transferir eficazmente las capacidades de clasificación de cáncer desde conjuntos de datos de histopatología etiquetados de un órgano (p. ej., mama, colon) a conjuntos de datos no etiquetados de otro (p. ej., pulmón), logrando una alta precisión (>95%) sin requerir etiquetas del dominio de destino.

Las conclusiones clave enfatizadas por los autores incluyen:

1. Viabilidad de la Transferencia entre Órganos: A pesar de los desplazamientos de dominio, las características morfológicas compartidas de los adenocarcinomas permiten una transferencia de conocimiento exitosa cuando se utiliza la adaptación adversaria, superando el simple ensembling.
2. Sensibilidad de la Modalidad: Mezclar modalidades de imagen (histopatología vs. TC) es perjudicial para la adaptación; el modelo funciona mejor cuando los dominios de origen y destino comparten la misma escala de imagen y técnica.
3. Normalización de Tinciones Dependiente del Contexto: La normalización de tinciones no es una solución universal: mientras que ayuda a la adaptación para los objetivos de mama y colon al reducir la variabilidad del color, perjudica el rendimiento para los objetivos de pulmón, lo que sugiere que las características de la tinción pueden ser informativas para distinguir el adenocarcinoma de pulmón en este contexto específico.
4. Confianza mediante la Explicabilidad: El uso de Gradientes Integrados proporciona evidencia visual de que el modelo depende de estructuras biológicamente plausibles (núcleos), ofreciendo una vía para construir confianza en los modelos adaptados de dominio para tareas médicas sensibles.

Los autores concluyen que, si bien DANN es una herramienta poderosa para mitigar la escasez de etiquetas en oncología, su éxito depende fuertemente de la compatibilidad de las modalidades de imagen y las características específicas del dominio de destino, lo que requiere una evaluación cuidadosa de los pasos de preprocesamiento como la normalización de tinciones.