DSVTLA: Deep Swin Vision Transformer-Based Transfer Learning Architecture for Multi-Type Cancer Histopathological Cancer Image Classification

Resumen Técnico: DSVTLA - Arquitectura de Aprendizaje por Transferencia Basada en Deep Swin Vision Transformer para la Clasificación de Imágenes Histopatológicas de Cáncer Multi-Tipo

1. Planteamiento del Problema

El diagnóstico temprano y preciso del cáncer es fundamental para reducir la mortalidad y mejorar los resultados clínicos. Sin embargo, el análisis microscópico manual de muestras histopatológicas presenta desafíos significativos:

• Recursos y Tiempo: Es un proceso intensivo en recursos y consume mucho tiempo.
• Variabilidad Interobservador: La interpretación subjetiva de patólogos puede llevar a errores y inconsistencias, especialmente en entornos con escasez de especialistas.
• Heterogeneidad Biológica: Las variaciones en la morfología tisular y las mutaciones genéticas complican la distinción visual entre tejidos benignos y malignos.
• Limitaciones de Modelos Existentes: La mayoría de los estudios anteriores se centran en la clasificación de un solo tipo de cáncer, carecen de una evaluación unificada entre diferentes arquitecturas (CNN vs. Transformers) y a menudo no abordan adecuadamente las dependencias de largo alcance en las imágenes de tejido complejo. Además, muchos modelos carecen de interpretabilidad clínica.

2. Metodología Propuesta

Los autores proponen DSVTLA, una arquitectura híbrida de aprendizaje profundo que integra ResNet50 (para la extracción de características locales) con Swin Transformer (para el modelado de dependencias contextuales de largo alcance).

• Arquitectura Híbrida:
  • Backbone Convolutional (ResNet50): Se utiliza para extraer características locales discriminativas, como texturas celulares y límites tisulares, aprovechando el aprendizaje residual para mitigar el problema del gradiente que se desvanece.
  • Módulo de Atención (Swin Transformer): Se integra para capturar dependencias globales y relaciones entre regiones mediante mecanismos de atención auto-organizada jerárquica basada en ventanas desplazadas (shifted windows). Esto permite al modelo comprender la estructura global del tejido, algo que las CNN puras a menudo pasan por alto.
• Conjunto de Datos y Preprocesamiento:
  • Se utilizaron cuatro conjuntos de datos públicos que abarcan múltiples tipos de cáncer: Cáncer de Mama, Cáncer Oral, Cáncer de Pulmón y Colon, Cáncer de Riñón y Leucemia Linfoblástica Aguda (ALL).
  • Se incluyeron tanto imágenes originales como versiones segmentadas (especialmente para la leucemia).
  • Preprocesamiento: Redimensionamiento a 224x224 píxeles, normalización basada en ImageNet y aumento de datos (rotación, volteo, jittering de color) para mejorar la robustez y evitar el sobreajuste.
• Entrenamiento y Evaluación:
  • Se entrenaron múltiples modelos de referencia (DenseNet, InceptionV3, ViT, Swin Transformer puro) y el modelo híbrido propuesto bajo un pipeline unificado.
  • Se utilizaron métricas estándar: precisión, exactitud (accuracy), recall y F1-score.
  • Explicabilidad (XAI): Se aplicaron técnicas de Inteligencia Artificial Explicable (LIME, SHAP y sensibilidad a la oclusión) para validar que el modelo se centra en regiones morfológicamente relevantes clínicamente.

3. Contribuciones Clave

1. Marco Unificado Multi-Cáncer: Desarrollo de un sistema capaz de clasificar simultáneamente múltiples tipos de cáncer (mama, oral, pulmón, colon, riñón, leucemia), superando la limitación de los enfoques de "un solo cáncer".
2. Arquitectura Híbrida Innovadora: Integración exitosa de la extracción de características locales de ResNet50 con la modelación de contexto global de Swin Transformer, logrando una representación de características más rica.
3. Evaluación Exhaustiva: Comparación rigurosa contra el estado del arte (CNNs y Transformers puros) utilizando los mismos protocolos de preprocesamiento y división de datos.
4. Interpretabilidad Clínica: Validación mediante XAI para demostrar que el modelo toma decisiones basadas en características morfológicas reales (núcleos anormales, bordes tumorales) y no en correlaciones espurias.

4. Resultados Experimentales

El modelo híbrido propuesto demostró un rendimiento superior o comparable al mejor de los modelos de referencia en todas las categorías:

• Precisión General: El modelo alcanzó una exactitud del 100% en la clasificación de Cáncer de Pulmón y Colon, así como en el conjunto de datos de Leucemia (segmentada) y Riñón.
• Rendimiento Específico:
  • Cáncer de Mama: 99.23% de exactitud.
  • Cáncer Oral: 98.33% de exactitud.
  • Leucemia (Original): 99.66% de exactitud.
• Estabilidad: Las métricas de precisión, recall y F1-score fueron cercanas a 1.0 (perfectas) en la mayoría de las categorías, indicando una baja tasa de falsos positivos y negativos.
• Análisis de Explicabilidad: Los mapas de calor de LIME y SHAP confirmaron que el modelo se enfoca en estructuras patológicas críticas (ej. glándulas malignas en cáncer de pulmón, blastos leucémicos), alineándose con el diagnóstico humano.

5. Significado e Impacto

• Viabilidad Clínica: El sistema ofrece una solución robusta, precisa e interpretable para el diagnóstico asistido por computadora, crucial para entornos con recursos limitados donde la escasez de patólogos es crítica.
• Generalización: Demuestra que las arquitecturas híbridas CNN-Transformer pueden generalizar eficazmente a través de diferentes modalidades de imagen (histopatología, CT, frotis sanguíneos) y tipos de tejido.
• Nuevo Estándar: Establece un nuevo punto de referencia (benchmark) para la clasificación de imágenes histopatológicas de cáncer múltiple, superando a los enfoques tradicionales de aprendizaje automático y modelos de deep learning puros.
• Transparencia: Al integrar explicabilidad, el modelo facilita la confianza clínica y la adopción en flujos de trabajo reales, permitiendo a los médicos entender la base de las predicciones de la IA.

En conclusión, DSVTLA representa un avance significativo hacia sistemas de diagnóstico automatizado que son no solo altamente precisos, sino también confiables y comprensibles para los profesionales de la salud.