Leveraging Spatial Transcriptomics as Alternative to Manual Annotations for Deep Learning-Based Nuclei Analysis

Resumen Técnico: Aprovechamiento de la Transcriptómica Espacial como Alternativa a las Anotaciones Manuales para el Análisis de Núcleos mediante Aprendizaje Profundo

1. El Problema

En la patología digital, el entrenamiento de modelos de aprendizaje profundo para la segmentación y clasificación de núcleos celulares depende críticamente de anotaciones manuales a nivel de píxel. Este proceso presenta tres desafíos principales:

• Alto costo y esfuerzo: Es extremadamente laborioso para los patólogos.
• Variabilidad inter-observador: Diferentes expertos pueden anotar de formas distintas.
• Escalabilidad limitada: Es difícil obtener datos anotados para diversos tipos de tejidos y condiciones de tinción.

El objetivo de este estudio es reducir la dependencia de la supervisión manual utilizando la transcriptómica espacial (ST), que proporciona información molecular y de segmentación (vía tinción DAPI) de forma automática y simultánea a las imágenes histopatológicas.

2. Metodología Propuesta

Los autores proponen un marco de aprendizaje débil multimodal (cross-modal weak supervision). En lugar de que un humano dibuje los núcleos, el sistema utiliza datos de la plataforma Xenium para obtener máscaras de núcleos y perfiles de expresión génica.

El flujo de trabajo se divide en dos etapas principales:

A. Generación de un conjunto de datos mediante ST (Etapa de etiquetado):
Para convertir la expresión génica (datos continuos y ruidosos) en etiquetas de clasificación de imágenes (datos discretos), proponen un sistema jerárquico:

1. Clustering Transcriptómico: Se agrupan las células mediante el algoritmo Leiden basado en sus perfiles de expresión.
2. Clasificación basada en genes marcadores: Se identifican genes diferencialmente expresados (DEGs) en cada grupo y se comparan con bases de datos (PanglaoDB, CellMarker). Se utiliza un sistema de votación ponderada por rango para asignar categorías (Epitelial, Inflamatoria, Tejido Conectivo o Desconocido).
3. Refinamiento Neoplásico: Para distinguir células epiteliales normales de cancerosas (neoplásicas), se aplica una segunda evaluación comparando los DEGs con bases de datos de genes asociados al cáncer.
4. Categoría "Unknown" (Desconocido): Introducen esta categoría para manejar la ambigüedad y el ruido inherente a la medición de la expresión génica, evitando que el ruido contamine el entrenamiento.

B. Entrenamiento del modelo de segmentación y clasificación:
Utilizan la arquitectura CellViT para entrenar un modelo que predice simultáneamente:

• La probabilidad de presencia de núcleos (segmentación binaria).
• Mapas de distancia (para separar núcleos superpuestos).
• La clasificación del tipo de núcleo.
• La clasificación del tipo de tejido.

3. Contribuciones Clave

• Formulación de un nuevo problema: Definen la segmentación y clasificación de núcleos como un problema de aprendizaje débil supervisado mediante datos multimodales (imagen + transcriptómica).
• Marco de etiquetado jerárquico: Un método robusto para derivar etiquetas de imagen a partir de datos moleculares, incluyendo un mecanismo de refinamiento para detectar células neoplásicas.
• Manejo de ruido: La introducción de la categoría "Unknown" permite que el modelo aprenda de datos de alta confianza sin ser confundido por la variabilidad de la ST.

4. Resultados Principales

El estudio realizó dos tipos de evaluaciones:

• Evaluación de Segmentación (Generalización): Se probó el modelo en órganos que no estaban presentes en el entrenamiento. A pesar de haber sido entrenado con menos tipos de órganos (9 frente a los 19 del modelo estándar PanNuke), el método propuesto logró una precisión comparable y una mejora significativa en la sensibilidad (Recall) (de 0.7862 a 0.8183), demostrando una gran capacidad de transferencia a tejidos nuevos.
• Evaluación de Clasificación: El modelo superó significativamente a los métodos de clasificación basados únicamente en expresión génica (como UCell o AUCell). Aunque su rendimiento es ligeramente inferior al modelo entrenado con anotaciones manuales de PanNuke, la diferencia es mínima, lo que valida la eficacia de la supervisión mediante ST.

5. Significado y Conclusión

Este trabajo demuestra que la transcriptómica espacial puede actuar como un "profesor automático" para entrenar modelos de visión computacional en patología. La importancia de este avance radica en su escalabilidad: permite generar conjuntos de datos masivos para entrenar modelos de inteligencia artificial sin necesidad de miles de horas de trabajo manual de patólogos, facilitando el desarrollo de herramientas de medicina de precisión más robustas y generalizables.