A Comprehensive Benchmark of Histopathology Foundation Models for Kidney Histopathology

Título: Una Evaluación Exhaustiva de Modelos Fundacionales de Histopatología para Patología Renal

1. Problema y Motivación

Los Modelos Fundacionales de Histopatología (HFMs) han avanzado significativamente en la patología digital, pero han sido entrenados predominantemente en grandes conjuntos de datos de cáncer (como TCGA, CPTAC) utilizando tinciones de H&E e IHC. Sin embargo, su aplicabilidad a condiciones renales no cancerosas (enfermedades renales crónicas - ERC) sigue siendo inexplorada.

Este vacío es crítico porque:

• Las patologías renales crónicas a menudo coexisten con cánceres renales (carcinoma de células renales - RCC y carcinoma urotelial - UC).
• La histopatología renal requiere el uso de múltiples tinciones (PAS, PASM, H&E, IHC) para visualizar diferentes estructuras del nefrón.
• Existe la hipótesis de que los HFMs preentrenados con aprendizaje auto-supervisado (SSL, como DINO/DINOv2) podrían haber aprendido características morfológicas invariantes al tinte que sean transferibles a la ERC, o bien, podrían estar limitados a patrones de color específicos del cáncer.

El estudio busca determinar si los HFMs actuales pueden generalizar a tareas renales específicas, evaluar su robustez a través de diferentes tinciones (transferencia intra-tinte e inter-tinte) y entender sus limitaciones en la discriminación de microestructuras finas y la inferencia pronóstica.

2. Metodología

El estudio evaluó 11 HFMs públicos (incluyendo UNI, Virchow, H-optimus, Hibou, Prov-Gigapath, etc.) preentrenados en más de 100,000 WSIs (Whole Slide Images). La evaluación se realizó en 11 tareas específicas de riñón divididas en dos niveles:

• Nivel de "Tile" (Parche):

  • Tareas: Clasificación de glomérulos escleróticos vs. no escleróticos (PAS), detección de picos de membrana basal glomerular (GBM) (PASM), clasificación de túbulos normales vs. anormales (H&E), inflamación (H&E), estenosis arterial (PAS), estimación de proporción de tipos celulares (regresión) y detección de copias (robustez a aumentos).
  • Protocolo: Se utilizó validación cruzada estratificada grupal repetida (5 pliegues, 3 semillas) para evitar fugas de datos a nivel de paciente.
  • Métodos de evaluación: Probing lineal (regresión logística), k-vecinos más cercanos (kNN) y regresión de cresta (Ridge Regression).
  • Tinciones: PAS, PASM, H&E, IHC.

• Nivel de "Slide" (Diapositiva completa):

  • Tareas: Predicción de respuesta al tratamiento en nefropatía membranosa (MN), diagnóstico de nefropatía diabética (DN) vs. referencia, predicción de declive de eGFR post-trasplante y predicción de eGFR a un año.
  • Protocolo: Validación cruzada estratificada anidada repetida (5 pliegues externos, 3 semillas).
  • Arquitectura: Se utilizó un marco de Aprendizaje Múltiple de Instancias basado en Atención (ABMIL) sobre los embeddings extraídos de los HFMs.
  • Métodos de evaluación: Se optimizaron hiperparámetros (tamaño de capa de atención, dimensión FC, tasa de aprendizaje) mediante búsqueda de cuadrícula.

• Análisis Estadístico:

  • Se empleó resampling bootstrap (1000 réplicas) para cuantificar la incertidumbre.
  • Se realizó un análisis post-hoc riguroso: Prueba de Friedman para diferencias generales, seguido de la prueba de rangos con signo de Wilcoxon con corrección Holm-Bonferroni para comparaciones por pares, visualizado mediante Display de Letras Compactas (CLD).

• Reproducibilidad: Se lanzó un paquete de código abierto en Python (kidney-hfm-eval) para replicar las tuberías de evaluación.

3. Contribuciones Clave

1. Evaluación Exhaustiva: Primera benchmark integral de HFMs en patologías renales no cancerosas, abarcando múltiples tinciones (PAS, PASM, H&E, IHC), escalas (tile/slide) y tipos de tareas (clasificación, regresión, detección).
2. Marco de Benchmarking Robusto: Desarrollo de una tubería estandarizada que incluye validación cruzada anidada, optimización de hiperparámetros y análisis estadístico riguroso para comparar modelos de manera justa.
3. Herramienta de Código Abierto: Liberación del paquete kidney-hfm-eval para facilitar la adopción y reproducibilidad en la comunidad de investigación y clínica.
4. Análisis de Transferencia: Determinación de hasta qué punto los modelos entrenados en cáncer pueden generalizar a enfermedades renales crónicas y a diferentes protocolos de tinción.

4. Resultados Principales

• Rendimiento en Tareas de Nivel "Tile":

  • Alto/Moderado: Los HFMs mostraron un rendimiento fuerte en tareas impulsadas por morfología de escala media gruesa, como la clasificación de esclerosis glomerular (MCC > 0.90) y inflamación. Esto sugiere que capturan características estructurales invariantes al tinte.
  • Moderado/Bajo: El rendimiento disminuyó en tareas que requieren discriminación microestructural fina, como la detección de picos GBM (MCC ~0.38) y estenosis arterial (MCC ~0.39).
  • Bajo/Nulo: Las tareas biológicamente complejas o definidas molecularmente, como la clasificación de túbulos anormales (basada en datos de transcriptómica) y la estimación de proporción de tipos celulares, mostraron un rendimiento cercano al azar (MCC ~0 o PCC bajo), indicando que los embeddings visuales no capturan la diversidad celular a nivel molecular.
  • Robustez: Los modelos fueron altamente robustos a deformaciones geométricas y cambios de color, pero mostraron variabilidad significativa ante perturbaciones de ruido.

• Rendimiento en Tareas de Nivel "Slide":

  • Diagnóstico: Los modelos lograron una separación casi perfecta entre tejido renal normal y nefropatía diabética (DN) (MCC ~1.0), demostrando una excelente capacidad de generalización cruzada entre tinciones (H&E preentrenado -> PAS inferencia).
  • Pronóstico y Tratamiento: El rendimiento colapsó en tareas pronósticas. No se pudo predecir la respuesta al tratamiento en MN, el declive de eGFR post-trasplante ni el eGFR a un año (MCC cercanos a 0 o R2 negativos). Esto indica que las características morfológicas estáticas capturadas por los HFMs no son suficientes para inferir procesos biológicos dinámicos o funcionales complejos.

5. Significado y Conclusiones

• Limitaciones Actuales: Los HFMs actuales codizan principalmente características estructurales estáticas de escala media. Son excelentes para tareas de diagnóstico grueso (diferenciar tejido sano de patológico con cambios morfológicos evidentes) pero fallan en la inferencia pronóstica, la detección de microestructuras sutiles y la extracción de información molecular a partir de la histología.
• Invarianza al Tinte: Se confirma que los HFMs preentrenados con SSL logran cierta invarianza al tinte, permitiendo su uso en tinciones no vistas durante el entrenamiento (ej. PAS), pero esto no garantiza la captura de señales biológicas complejas.
• Implicaciones Clínicas: Los modelos actuales no están listos para la toma de decisiones clínicas en nefrología que requieran predicción de respuesta terapéutica, progresión de la enfermedad o descubrimiento de biomarcadores finos.
• Futuro: Se requiere el desarrollo de Modelos Fundacionales específicos de riñón, multi-tinción y multimodales (integrando datos clínicos, ómicos y longitudinales) para superar las limitaciones actuales y apoyar decisiones clínicas fiables.

En resumen, el estudio establece que, aunque los HFMs son herramientas poderosas para el cribado diagnóstico inicial en patología renal, su capacidad para capturar la complejidad biológica y pronóstica de las enfermedades renales crónicas es actualmente limitada.