Vision Transformers for Preoperative CT-Based Prediction of Histopathologic Chemotherapy Response Score in High-Grade Serous Ovarian Carcinoma

1. Planteamiento del Problema

El carcinoma seroso ovárico de alto grado (HGSOC) es un cáncer ginecológico agresivo con alta heterogeneidad biológica y espacial, a menudo diagnosticado en estadios avanzados. El tratamiento estándar para pacientes no aptos para cirugía primaria incluye quimioterapia neoadyuvante (QNA) seguida de cirugía primaria diferida.

• Limitación actual: La Puntuación de Respuesta a la Quimioterapia (CRS) es un biomarcador histopatológico validado que estratifica la respuesta al tratamiento en tres categorías (CRS1: mínima/nula, CRS2: parcial, CRS3: completa/casi completa). Sin embargo, la CRS solo puede evaluarse postoperatoriamente tras el análisis de la enfermedad residual en el epiplón.
• Necesidad: Existe una brecha crítica para predecir la respuesta al tratamiento antes de iniciar la terapia. Esto es vital para apoyar a los equipos multidisciplinarios (MDT) en la toma de decisiones sobre si priorizar la QNA o la cirugía de citorreducción primaria, especialmente en casos limítrofes.
• Objetivo: Desarrollar un modelo de aprendizaje profundo que utilice imágenes de Tomografía Computarizada (TC) pretratamiento y datos clínicos para predecir la CRS de forma no invasiva.

---

2. Metodología

Los autores proponen un marco de aprendizaje profundo multimodal de 2.5D que integra características de imagen y datos clínicos.

A. Arquitectura del Modelo

El pipeline procesa los datos de la siguiente manera:

1. Preprocesamiento de Imágenes:

   • Los volúmenes de TC pretratamiento se reescalan a una resolución isotrópica de $1 \times 1 \times 1$ mm y se ajustan a $224 \times 224 \times 128$ vóxeles.
   • Se utiliza un modelo de segmentación (OvSeg) para aislar las lesiones en el epiplón.
   • Se generan volúmenes enmascarados y se seleccionan las tres cortes axiales con la mayor densidad de lesiones.
   • Estos tres cortes se apilan en el canal de entrada para crear un tensor de entrada de 3 canales ($224 \times 224 \times 3$), preservando el orden anatómico craneocaudal.

2. Codificador de Visión (Vision Transformer - ViT):

   • Se emplea un codificador DINOv3-small (preentrenado en conjuntos de datos naturales masivos) para extraer representaciones visuales.
   • El token [CLS] del transformador se extrae como una representación compacta del volumen ($z_V \in \mathbb{R}^{384}$).

3. Integración Multimodal:

   • Datos Clínicos: Se codifican dos variables: edad y niveles de antígeno CA-125 en el diagnóstico.
   • Fusión Intermedia: Las representaciones visuales ($z_V$) y clínicas ($z_{clin}$) se concatenan y pasan a través de una capa de fusión intermedia y una cabecera de clasificación basada en MLP (con activaciones ReLU y normalización por lotes).
   • Salida: Probabilidad binaria de respuesta completa (CRS 3) vs. respuesta no completa (CRS 1-2).

B. Estrategia de Entrenamiento

• Aprendizaje por Transferencia Híbrido: El codificador ViT se mantiene congelado, mientras que la cabecera de clasificación se ajusta (fine-tuning).
• Optimización: Se utiliza el optimizador AdamW con una función de pérdida de entropía cruzada binaria ponderada (WBCE) para manejar el desequilibrio de clases.
• Muestreo: Se emplea un muestreador aleatorio ponderado para equilibrar las clases en cada lote.

C. Cohortes de Datos

• Conjunto Interno (IEO): 271 pacientes del Instituto Europeo de Oncología (Milán, 2016-2023). Dividido en entrenamiento (n=191), validación (n=39) y prueba interna (n=41).
• Conjunto Externo (OV04): 70 pacientes del Hospital Addenbrooke's (Cambridge, 2009-2020) para validación independiente.
• Etiquetado: La CRS fue asignada por patólogos certificados. Para el modelo, se binarizó: CRS 3 (positivo) vs. CRS 1-2 (negativo).

---

3. Contribuciones Clave

1. Primera aproximación basada en Deep Learning: Es el primer método que predice la puntuación CRS utilizando exclusivamente imágenes de TC pretratamiento y datos clínicos rutinarios en HGSOC.
2. Arquitectura Multimodal 2.5D: Propone una estrategia innovadora que utiliza cortes axiales densos en lesiones apilados como entrada para un Vision Transformer, capturando relaciones espaciales críticas sin perder el orden anatómico.
3. Validación Externa Rigurosa: El modelo no solo se prueba internamente, sino que se valida en un conjunto de datos externo de una institución diferente, evaluando la generalización del modelo.
4. Enfoque en la Precisión: El modelo está diseñado para priorizar la precisión (minimizar falsos positivos) en lugar de la sensibilidad, ya que una predicción falsa de "buena respuesta" podría llevar a decisiones clínicas erróneas (como evitar una cirugía necesaria).

---

4. Resultados

Rendimiento en el Conjunto Interno (IEO)

• ROC-AUC: 0.95 (intervalo de confianza 95%: 0.95–0.96).
• Precisión: 0.80 (80%).
• Exactitud (Accuracy): 0.95 (95%).
• Al optimizar el umbral de decisión (de 0.50 a 0.69), se redujo drásticamente la tasa de falsos positivos (del 25% al 3%) manteniendo una alta precisión.

Rendimiento en el Conjunto Externo (OV04)

• ROC-AUC: 0.68 (intervalo de confianza 95%: 0.53–0.81).
• Precisión: 0.75 (75%).
• Exactitud: 0.67 (67%).
• Aunque el rendimiento disminuyó en el conjunto externo (común en validaciones cruzadas debido a variaciones en la adquisición de imágenes y morfología tumoral), el modelo mantuvo una precisión alta, lo que es crucial para su uso como herramienta de apoyo a la decisión.

Estudio de Ablación (Importancia de la Multimodalidad)

• El modelo solo con imágenes (ViT) tuvo un AUC de 0.894 en IEO pero cayó a 0.469 en OV04, indicando poca generalización.
• La integración de datos clínicos (edad y CA-125) mejoró significativamente el rendimiento en el conjunto externo, elevando el AUC a 0.677. Esto demuestra que las variables clínicas actúan como factores estabilizadores frente a la variabilidad de dominio.

---

5. Significado e Impacto

• Herramienta de Soporte a la Decisión: Este enfoque ofrece una estimación no invasiva y temprana de la respuesta al tratamiento, permitiendo a los equipos multidisciplinarios (MDT) discutir con mayor confianza la estrategia óptima (QNA vs. cirugía primaria) antes de iniciar el tratamiento.
• Personalización del Tratamiento: La capacidad de predecir un fenotipo de "buena respuesta" podría aumentar la confianza en la selección de la QNA, mientras que una predicción de "mala respuesta" podría impulsar la consideración de la cirugía primaria si es factible.
• Viabilidad Clínica: El uso de datos rutinarios (TC y marcadores séricos) hace que la implementación sea factible en la práctica clínica estándar sin requerir tecnologías de imagen avanzadas o costosas.
• Futuro: El estudio sienta las bases para futuras investigaciones que incluyan biomarcadores dinámicos (como la tasa de caída del CA-125) y características de lesiones ováricas/adnexales para refinar aún más la estratificación de pacientes.

En conclusión, el estudio demuestra la viabilidad de utilizar Vision Transformers multimodales para predecir la respuesta patológica en cáncer de ovario, superando las limitaciones de los métodos actuales que dependen de la evaluación postoperatoria.