Benchmarking Foundation Models for Renal Lesion Stratification in CT

Resumen Técnico: Evaluación de Modelos Fundacionales para la Estratificación de Lesiones Renales en TC

Enunciado del Problema
La estratificación de lesiones renales mediante Tomografía Computarizada (TC) es una tarea clínicamente crítica pero con escasez de datos. Aunque las directrices recomiendan la TC con contraste para la caracterización de masas renales, la diferenciación no invasiva entre subtipos histológicos específicos (por ejemplo, distinguir oncocitoma renal benigno de carcinoma de células cromófobas maligno, o carcinoma de células papilares tipo I de otras entidades) sigue siendo un desafío. Los enfoques de aprendizaje profundo han demostrado ser prometedores, pero a menudo se ven obstaculizados por la baja prevalencia de subtipos específicos, lo que conduce a conjuntos de datos con tamaños de muestra negligibles para condiciones raras (por ejemplo, tan solo 17 casos en validación cruzada). Esta escasez limita la eficacia de las redes neuronales convolucionales (CNN) estándar entrenadas desde cero. La aparición de Modelos Fundacionales (MF) médicos de código abierto ofrece una solución potencial al aprovechar el preentrenamiento a gran escala para extraer representaciones de características robustas. Sin embargo, no está claro si estas representaciones generalistas preentrenadas pueden transferirse eficazmente a tareas específicas de clasificación de lesiones renales con restricciones de datos sin ajuste fino.

Metodología
El estudio realizó una evaluación rigurosa de tres MF médicos de código abierto frente a líneas base establecidas utilizando un protocolo de sondeo de características congeladas.

• Conjuntos de datos: El conjunto de entrenamiento comprendió 2.854 lesiones de 1.279 participantes, agregadas de una cohorte interna (2007–2022) y del conjunto de datos KiTS23. Un conjunto de prueba externo de 234 lesiones de 140 escaneos de TC se obtuvo de The Cancer Imaging Archive (TCIA). Las lesiones se categorizaron en seis clases: quistes, carcinoma de células claras (ccRCC), carcinoma de células papilares (pRCC), carcinoma de células cromófobas (chrRCC), oncocitoma renal (RO) y "Otro".
• Selección de modelos: Se evaluaron tres MF: FMCIB (Modelo Fundacional para Biomarcadores de Imagen Oncológica), CT-FM (Modelos Fundacionales de Visión para Tomografía Computarizada) y MMM (Modelado Multitarea Médico).
• Estrategias experimentales:
  1. Estrategia A (Aprendizaje de extremo a extremo): Se entrenó un ResNet-50 3D desde cero y se comparó con un modelo FMCIB ajustado fino con recomendaciones arquitectónicas específicas (cabeza de clasificación más grande, tasas de aprendizaje divididas).
  2. Estrategia B (Sondeo de características congeladas): El método de evaluación principal. Se extrajeron incrustaciones de los tres MF y de una tubería de radiomía diseñada manualmente utilizando codificadores congelados. Estas características se alimentaron a clasificadores XGBoost.
• Preprocesamiento: Las imágenes se recortaron a las cajas delimitadoras de las lesiones con un margen de 1 cm, se redimensionaron a dimensiones específicas del modelo (por ejemplo, 50×50×50 vóxeles para FMCIB) y se aumentaron. Las características de radiomía se extrajeron utilizando PyRadiomics (107 características) de volúmenes remuestreados y con ventana.
• Evaluación: El rendimiento se midió utilizando el Área bajo la Curva Característica Operativa del Receptor (AUC) promediada macro y la Precisión Promedio (AP). La validación interna utilizó validación cruzada de 10 pliegues, mientras que la validación externa utilizó un conjunto TCIA retenido con bootstrap no paramétrico para intervalos de confianza.

Resultados Clave
El estudio arrojó dos hallazgos principales sobre el rendimiento comparativo de los MF, el aprendizaje profundo desde cero y la radiomía:

1. Superioridad de la radiomía: La línea base de radiomía diseñada manualmente superó significativamente a todos los enfoques de aprendizaje profundo. En el conjunto de prueba externo, la radiomía logró un AUC de 0,88 (AP 0,64). Esto fue estadísticamente superior al Modelo Fundacional de mejor rendimiento (MMM, AUC 0,77) con una diferencia media de 0,11 (IC del 95% [0,03, 0,18], p=0,002).
2. Modelo Fundacional frente a ResNet desde cero: El rendimiento de las incrustaciones de MF congeladas (rango de AUC 0,69–0,77) fue comparable al del ResNet-50 3D entrenado desde cero (AUC 0,72). No se encontraron diferencias estadísticamente significativas entre los MF y la línea base ResNet. Además, el ajuste fino del modelo FMCIB no produjo mejoras sobre el entrenamiento del ResNet desde cero (AUC 0,68 frente a 0,64) y no logró igualar el rendimiento del enfoque de sondeo congelado (AUC 0,71).
3. Eficiencia computacional: Mientras que la línea base ResNet requirió 16 horas de entrenamiento en GPU, la tubería de sondeo de MF (específicamente MMM) requirió solo 2,5 horas para la extracción de características en una CPU, con el entrenamiento posterior del clasificador tomando apenas segundos. Esto demuestra una reducción drástica en la demanda de hardware para los MF.
4. Análisis de características: Las visualizaciones UMAP indicaron que, aunque los quistes y el ccRCC formaron grupos distintos en todas las incrustaciones, otros subtipos (pRCC, chrRCC, RO) mostraron una superposición sustancial. El análisis de importancia de las características de radiomía reveló que las características de textura contribuyeron más (65%) a la decisión del clasificador, seguidas por las estadísticas de intensidad y la forma.

Significado y Afirmaciones
El documento concluye que, si bien los Modelos Fundacionales médicos ofrecen una alternativa computacionalmente eficiente al entrenamiento de redes profundas desde cero en entornos con escasez de datos, aún no superan las líneas base de radiomía establecidas para la estratificación de lesiones renales.

Los autores argumentan que las incrustaciones de MF generalistas actuales no logran capturar la heterogeneidad de textura y forma a gran escala requerida para discriminar entre subtipos histológicos específicos, que son los principales impulsores de la dificultad de clasificación en este dominio. El estudio destaca que la interpretabilidad y la ingeniería explícita de las características de radiomía proporcionan actualmente una señal más discriminativa que las representaciones latentes de los MF generalistas.

Además, el documento subraya la falta de consenso sobre el uso óptimo aguas abajo de los MF médicos (por ejemplo, tamaño de parche, remuestreo, agregación de características), sugiriendo que las evaluaciones actuales reflejan tanto la variabilidad de implementación como la capacidad arquitectónica. Los autores afirman que, hasta que se aborden las brechas de optimización y se establezcan protocolos de evaluación estandarizados, la radiomía sigue siendo lo más avanzado para las tareas de clasificación de lesiones renales dependientes de la textura. El estudio no afirma que los MF estén obsoletos, sino que sus representaciones generalistas actuales son insuficientes para esta tarea diagnóstica específica de alto riesgo y gran escala sin una adaptación específica del dominio adicional.