Weakly Supervised Multicenter Nancy Index Scoring in Ulcerative Colitis Using Foundation Models

A continuación se presenta un resumen técnico detallado del artículo "Puntuación del Índice de Nancy Multicéntrico Débilmente Supervisado en Colitis Ulcerosa Mediante Modelos Fundacionales".

1. Planteamiento del Problema

El artículo aborda el desafío de automatizar la puntuación del Índice Histológico de Nancy (NHI) para la actividad de la Colitis Ulcerosa (CU).

• Contexto Clínico: El NHI es una escala estándar de 5 grados (0–4) utilizada para evaluar la actividad histológica en la CU, crucial para los ensayos clínicos y la atención rutinaria. La clasificación manual es laboriosa y sufre una variabilidad significativa entre observadores y dentro del mismo observador.
• Desafío Técnico: Las soluciones existentes de patología computacional a menudo dependen de anotaciones densas a nivel de región o de célula, que son costosas de generar y difíciles de estandarizar entre diferentes instituciones.
• Objetivo Específico: Desarrollar un sistema de puntuación automatizado y robusto que opere bajo supervisión débil (utilizando únicamente etiquetas a nivel de caso o de diapositiva) en conjuntos de datos multicéntricos con protocolos de tinción heterogéneos, tipos de escáner y poblaciones de pacientes.

2. Metodología

Los autores proponen una tubería de Aprendizaje de Múltiples Instancias (MIL) Débilmente Supervisado adaptada para Imágenes de Diapositivas Completas (WSI).

A. Preparación de Datos

• Conjunto de Datos: Recopilación retrospectiva de biopsias de colon teñidas con H&E de tres instituciones checas (IKEM, TUH, KNL) que abarcan el periodo 2019–2025.
• Etiquetas: Solo estaban disponibles las calificaciones NHI a nivel de diapositiva/caso (0–4). No se utilizaron anotaciones a nivel de región.
• Preprocesamiento:
  • Detección de tejido y control de calidad (eliminación de desenfoque/artefactos).
  • Fragmentación (Tiling): Las diapositivas se dividen en fragmentos en tres resoluciones (T0, T1, T2).
  • División de Datos: División a nivel de caso para garantizar que no haya filtración de datos de pacientes entre los conjuntos de entrenamiento, prueba preliminar y prueba final.

B. Arquitectura del Modelo

La tubería utiliza un enfoque de Modelo Fundacional combinado con una estrategia MIL especializada:

1. Codificadores de Modelo Fundacional: Codificadores visuales preentrenados congelados (UNI2-h, Prov-GigaPath, Virchow2) extraen incrustaciones de fragmentos ($h_i$).
2. Modelos de Inferencia Especializados: En lugar de un único modelo monolítico, se entrenan tres modelos MIL distintos para tareas de diagnóstico específicas:
   • Modelo de Actividad de Neutrófilos: Clasificación binaria (Actividad Baja vs. Alta).
   • Modelo Nancy-Bajo: Clasificación multiclase para los grados {0, 1, Alto}.
   • Modelo Nancy-Alto: Clasificación multiclase para los grados {Bajo, 2, 3, 4}.
3. Agregación Basada en Atención (Variante Primero-Instancia):
   • El MIL estándar agrega primero las incrustaciones y luego clasifica.
   • Variante de este artículo: Aplica un clasificador específico de la tarea ($c_\psi$) a cada incrustación de fragmento para generar logit a nivel de fragmento ($s_i$).
   • Estos logits de fragmento se agrupan luego utilizando pesos de atención ($a_i$) para generar logits a nivel de diapositiva: $s = \sum a_i s_i$.
   • Este enfoque "primero-instancia" permite una puntuación directa a nivel de fragmento y una mejor interpretabilidad.

C. Postprocesamiento y Ensemble

• Estrategia de Ensemble: Durante la inferencia, los tres modelos votan para determinar el grupo de actividad (Bajo vs. Alto).
• Predicción Final: La puntuación NHI final de 5 grados se deriva seleccionando el modelo especialista apropiado (Bajo o Alto) y tomando el argmax sobre sus clases de grado específicas, ignorando la clase del grupo "otro".

3. Contribuciones Clave

1. Marco de Supervisión Débil: Aborda con éxito la predicción del NHI utilizando únicamente etiquetas gruesas a nivel de diapositiva, eliminando la necesidad de anotaciones densas costosas.
2. Arquitectura MIL Especializada: Introduce un "enmascaramiento jerárquico" mediante un ensemble de modelos específicos de la tarea (Neutrófilos, Bajo, Alto) en lugar de un único clasificador plano, mejorando el rendimiento en puntos finales clínicos específicos.
3. Integración de Modelos Fundacionales: Demuestra la eficacia de los modernos modelos fundacionales de patología (específicamente Virchow2) para manejar la heterogeneidad multicéntrica.
4. Validación Multicéntrica: Evaluación rigurosa en tres instituciones distintas con protocolos variables, demostrando robustez ante el cambio de dominio.
5. Interpretabilidad: Utiliza pesos de atención y clasificación primero-instancia para visualizar regiones específicas del tejido (por ejemplo, criptitis, abscesos) que impulsan la decisión.

4. Resultados

El modelo fue evaluado en un conjunto de prueba final que comprende datos de los tres centros.

• Métricas de Rendimiento:
  • $\kappa$ de Cohen Ponderado: 0.85 (comparado con el $\kappa$ de referencia de PathAI de 0.91).
  • Correlación de Spearman ($\rho$): 0.85 (comparado con 0.89 de PathAI).
  • El rendimiento es comparable a sistemas de referencia sólidos a pesar de utilizar únicamente supervisión débil.
• Estudios de Ablación:
  • Elección del Codificador: Virchow2 proporcionó las ganancias más consistentes. El uso de una resolución inferior (T2) con Virchow2 mejoró la precisión para las tareas de Neutrófilos y Nancy-Bajo, al tiempo que reducía el tiempo de cálculo en ~10 veces.
  • Ensemble vs. Enmascaramiento Jerárquico: El enfoque de ensemble propuesto ($\kappa$ ponderado = 0.89) superó a una línea base de enmascaramiento jerárquico estricto ($\kappa$ ponderado = 0.87), lo que sugiere que las vistas independientes específicas de la tarea producen decisiones más robustas.
  • Detección de Neutrófilos: El modelo de neutrófilos aprendido superó significativamente a un detector de neutrófilos preentrenado externo (Precisión: 0.91 vs. 0.74).
• Interpretabilidad: Los mapas de calor de atención destacaron con éxito características biológicamente relevantes como la criptitis neutrófila, los abscesos criptales y la lesión del epitelio superficial.

5. Significado y Conclusión

• Impacto Clínico: Este trabajo demuestra que el MIL débilmente supervisado con modelos fundacionales puede proporcionar una puntuación histológica robusta e interpretable en escenarios multicéntricos realistas y heterogéneos.
• Eficiencia: Al depender de etiquetas a nivel de diapositiva, el enfoque reduce drásticamente la carga de anotación para los patólogos, haciendo viable la implementación a gran escala.
• Apoyo a la Decisión: El sistema actúa como una herramienta viable de apoyo a la decisión que puede estandarizar la clasificación entre centros y reducir la variabilidad entre observadores, particularmente para distinguir entre casos inactivos (NHI 0) y altamente activos (NHI 4).
• Dirección Futura: El estudio valida el potencial de "modelos fundacionales + supervisión débil" como un paradigma estándar para la patología computacional en entornos clínicos complejos y del mundo real.