Predicting Response to Neoadjuvant Chemotherapy in Ovarian Cancer from CT Baseline Using Multi-Loss Deep Learning

Resumen Técnico: Predicción de la Respuesta a la Quimioterapia Neoadyuvante en el Cáncer de Ovario a partir de la Línea Base de TC Mediante Aprendizaje Profundo con Múltiples Pérdidas

Enunciado del Problema
El cáncer de ovario sigue siendo la malignidad ginecológica más letal, con aproximadamente el 60% de los pacientes diagnosticados en una etapa avanzada. El manejo estándar a menudo implica quimioterapia neoadyuvante (QNA) seguida de cirugía de reducción de tumor en intervalo. Sin embargo, existe una necesidad clínica crítica no cubierta: aproximadamente el 40% de los pacientes asignados a QNA no obtienen un beneficio objetivo de la terapia. Identificar a estos no respondedores antes del inicio del tratamiento es esencial para prevenir terapias ineficaces y evitar retrasos en el manejo quirúrgico óptimo. Las herramientas predictivas actuales a menudo dependen de líneas base clínicas o características radiómicas que pueden carecer de robustez o requerir segmentación manual, lo que hace necesaria una solución no invasiva y automatizada capaz de analizar imágenes pretratamiento para estratificar eficazmente a los pacientes.

Metodología
Los autores proponen un marco de aprendizaje profundo no invasivo que predice la respuesta a la QNA utilizando escaneos 3D de TC con contraste pretratamiento. La pipeline procesa los datos volumétricos ($V_{CT}$) a través de las siguientes etapas:

1. Segmentación de Lesiones: Un modelo de segmentación de aprendizaje profundo de código abierto ($M_S$) genera automáticamente máscaras 3D de lesiones a partir de los volúmenes de TC crudos, aislando las regiones tumorales.
2. Codificación de Rebanadas: El volumen de la máscara 3D se remodela en una secuencia de rebanadas axiales. Cada rebanada se convierte en una representación de 3 canales y se procesa independientemente por un codificador preentrenado Vision Transformer (ViT) ($E_{ViT}$), específicamente el DINOv3 Base Patch16. El codificador extrae incrustaciones de tokens, de las cuales el token de clasificación ($t_{cls}$) sirve como descriptor global para cada rebanada.
3. Agregación Volumétrica: Los tokens de clasificación de todas las rebanadas se concatenan y se aumentan con incrustaciones posicionales aprendibles para preservar el orden de las rebanadas. Un módulo de agrupación basado en atención agrega estas representaciones a nivel de rebanada, modelando las relaciones inter-rebanada, seguido de una agrupación media para producir una única incrustación volumétrica ($z_V$).
4. Predicción Multi-Cabeza: La incrustación compartida $z_V$ se ramifica en dos cabezas:
   • Cabeza de Clasificación: Un Perceptrón Multicapa (MLP) que produce logits binarios (respondedor vs. no respondedor).
   • Cabeza de Proyección: Un MLP que mapea la incrustación a un espacio de baja dimensión ($z_p$) para aprendizaje contrastivo.
5. Estrategia de Entrenamiento: El modelo emplea un enfoque de aprendizaje por transferencia donde el codificador ViT se ajusta fino utilizando adaptadores LoRA (Adaptación de Bajo Rango) restringidos al último bloque Transformer para prevenir el sobreajuste en el pequeño conjunto de datos. El objetivo de entrenamiento combina dos pérdidas:
   • Pérdida de Entropía Cruzada ($L_{CE}$): Pérdida de clasificación estándar.
   • Pérdida Contrastiva Supervisada ($L_{SupCon}$): Una pérdida consciente del margen que acerca las incrustaciones de la misma clase y separa las clases diferentes por un margen $m$.
   • Minería de Negativos Difíciles: Durante el entrenamiento, los pares negativos se seleccionan dinámicamente en función de su proximidad en el espacio de incrustaciones para centrar la optimización en casos ambiguos. El peso de la pérdida contrastiva ($\alpha$) se aumenta linealmente de 0 a 0.3 durante el entrenamiento para estabilizar el aprendizaje de representaciones inicial antes de imponer restricciones geométricas.

Contribuciones Clave

• Arquitectura: Integración de un ViT preentrenado con un módulo de agregación volumétrica basado en atención para procesar máscaras de lesiones 3D sin requerir ingeniería de características manual.
• Objetivo de Entrenamiento: Un marco de múltiples pérdidas que combina entropía cruzada con aprendizaje contrastivo supervisado y minería de negativos difíciles para mejorar la separación de respondedores y no respondedores ambiguos.
• Eficiencia: Utilización de LoRA para un ajuste fino eficiente en parámetros, permitiendo la adaptación de grandes modelos preentrenados a un dominio médico específico con datos limitados (280 pacientes).
• Análisis de Ablación: Comparación sistemática que demuestra que tanto la pérdida contrastiva como la estrategia de ajuste fino son críticas para el rendimiento, superando a los modelos que utilizan solo entropía cruzada o espines congelados.

Resultados
El modelo se evaluó en una cohorte retrospectiva de un solo centro del Instituto Europeo de Oncología, que comprendía 280 pacientes elegibles (147 respondedores, 133 no respondedores), divididos en un conjunto de desarrollo (226) y un conjunto de prueba independiente (54).

• Rendimiento: En el conjunto de prueba, el modelo propuesto de Ajuste Fino con Múltiples Pérdidas (ML-FT) logró un ROC-AUC de 0.73 (IC 95%: 0.58–0.86) y una puntuación F1 de 0.70 (IC 95%: 0.56–0.82).
• Análisis Comparativo: El modelo ML-FT superó significativamente a:
  • Una reimplementación de base de Yin et al. (AUC 0.47).
  • Una variante sin pérdida contrastiva (CE-FT, AUC 0.66).
  • Una variante con un espín congelado (ML-FR, AUC 0.59).
• Interpretabilidad: El análisis de los pesos de atención reveló que el modelo prioriza las rebanadas centrales que contienen el núcleo de la lesión, alineándose con la intuición clínica de que las secciones transversales tumorales centrales proporcionan la información morfológica más discriminativa.
• Calibración: El modelo exhibió una falta de confianza sistemática para la clase positiva, sugiriendo estimaciones de probabilidad conservadoras.
• Análisis de Errores: Las predicciones inciertas pero correctas a menudo se encontraron cerca del umbral intrínseco RECIST 1.1, indicando que cierta ambigüedad proviene del propio estándar de referencia en lugar de un fallo del modelo.

Significado y Reivindicaciones
El artículo afirma que la arquitectura propuesta aprende con éxito patrones predictivos clínicamente relevantes a partir de la morfología de la lesión pretratamiento únicamente. Los resultados sugieren que la combinación de codificación volumétrica ViT y aprendizaje contrastivo supervisado proporciona una base robusta para una herramienta de estratificación basada en imágenes. Al distinguir eficazmente entre respondedores y no respondedores, la herramienta tiene el potencial de apoyar la planificación del tratamiento personalizado, reducir la exposición a quimioterapia ineficaz y facilitar el manejo quirúrgico oportuno. Los autores enfatizan que la capacidad del modelo para manejar casos ambiguos mediante regularización contrastiva aborda una limitación clave de los enfoques de clasificación estándar en este dominio.