Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images

Resumen Técnico: Modelo Experto de Atención por Difusión para la Predicción y Localización Semiautomática del STAS en Imágenes de Histopatología del Cáncer de Pulmón

Planteamiento del Problema
La diseminación a través de espacios aéreos (STAS) es un patrón invasivo crítico en el adenocarcinoma de pulmón, caracterizado por cúmulos micropapilares, nidos sólidos o células cancerosas aisladas que se extienden más allá del borde del tumor hacia los espacios alveolares normales. El STAS es un predictor independiente de mal pronóstico, aumentando significativamente las tasas de recurrencia postoperatoria y la mortalidad. El diagnóstico preciso es esencial para guiar las decisiones quirúrgicas (por ejemplo, lobectomía frente a resección sublobar) y determinar la necesidad de terapia adyuvante. Sin embargo, la evaluación histopatológica del STAS en secciones congeladas (SC) y secciones de parafina (SP) es laboriosa, consume mucho tiempo y es propensa a la variabilidad interobservador, diagnósticos omitidos y errores de diagnóstico. Los desafíos incluyen distorsiones morfológicas en las SC (por ejemplo, plegamiento celular, artefactos de "propagación por la hoja"), limitaciones en el muestreo y una escasez de patólogos experimentados, particularmente en regiones con recursos limitados. Aunque el aprendizaje profundo (DL) ha demostrado potencial, los modelos existentes a menudo carecen de una validación extensa en conjuntos de datos externos multicéntricos a gran escala y no aprovechan plenamente las características multiescala y el contexto del microambiente tumoral (TME) tanto para la detección como para la localización.

Metodología
Los autores proponen el Modelo Experto de Atención por Difusión (DAEM), un marco de aprendizaje profundo diseñado para detectar el STAS y localizar semiautomáticamente su distancia desde el tumor primario.

• Recopilación y Preprocesamiento de Datos: El estudio utilizó un conjunto de datos retrospectivo multicéntrico que comprende 2.758 imágenes de diapositivas completas (WSI) del Segundo Hospital Xiangya (SXH-CSU) para el entrenamiento y validación internos, junto con ocho cohortes de validación externas (incluyendo el Hospital Xiangya, el Tercer Hospital Xiangya, el Hospital de Tumores Afiliado a la Universidad de Zhengzhou, y los conjuntos de datos públicos TCGA_LUAD y CPTAC_LUAD). Las imágenes se sometieron a preprocesamiento que incluía segmentación de tejidos (algoritmo de Otsu), normalización de color (Macenko) y extracción de parches (256×256 y 512×512 a una magnificación de 20×).
• Extracción de Características y Construcción de Grafos:
  • Características Multiescala: Un modelo CTransPath preentrenado (basado en Swin Transformer) extrae características de parches.
  • Topología Espacial: Basado en las coordenadas de los parches, se construye un grafo topológico espacial ($G_l, G_s$) utilizando un algoritmo de Vecinos más Cercanos (KNN) para capturar las relaciones espaciales.
  • Características del TME: El modelo HD-Yolo segmenta y clasifica las células (tumorales, estromales, inmunitarias, etc.) para construir un grafo espacial específico del TME ($G_{TME}$).
• Arquitectura DAEM:
  • Convolución de Grafos Multiescala (MSGC): Procesa los grafos de topología espacial utilizando capas paralelas SAGEConv con LeakyReLU, LayerNorm y Dropout para agregar información de vecindad y actualizar las características de los nodos.
  • Módulos Expertos de Atención por Difusión (DAEM): Dos módulos expertos paralelos utilizan un Mecanismo de Atención por Difusión (DAM). Inspirado en la conducción térmica termodinámica, el DAM simula la difusión de señales entre nodos para actualizar las representaciones. Emplea agrupación adaptativa para manejar longitudes de características variables y utiliza una matriz de difusión para ajustar dinámicamente la influencia de los nodos, optimizando la consistencia de las características mediante una función de energía.
  • Agregación de Doble Rama: El modelo emplea una arquitectura de doble rama para fortalecer la representación de características multiescala.
• Estrategia de Entrenamiento: El modelo se entrena utilizando una combinación de Pérdida Contrastiva Supervisada (para alinear las características de la misma clase), Pérdida de Error Cuadrático Medio (MSE) (para restringir la consistencia entre las salidas de los expertos) y Pérdida de Entropía Cruzada (para la clasificación final).
• Localización Semiautomática: Para los casos positivos de STAS, el sistema integra mapas espaciales de células para identificar el límite del tumor primario y los focos de STAS, permitiendo el cálculo de distancias euclidianas mediante una plataforma interactiva basada en la web.

Contribuciones Clave

1. Arquitectura Novel: Introducción del DAEM, que integra un mecanismo de atención por difusión con una estructura de experto de doble rama para aprender eficazmente características patológicas multiescala y el contexto del TME.
2. Capacidad de Doble Sección: El modelo es capaz de diagnosticar el STAS tanto en secciones congeladas intraoperatorias (SC) como en secciones de parafina postoperatorias (SP), abordando una brecha crítica en la toma de decisiones intraoperatorias.
3. Localización Semiautomática: A diferencia de los modelos anteriores que solo detectan, el DAEM facilita la medición semiautomática de la distancia desde los focos de diseminación del STAS hasta el tumor primario mediante el análisis de las distribuciones celulares del TME.
4. Descubrimiento de Biomarcadores: El estudio identifica métricas cuantitativas del TME (Relación Estroma-Tumor [STR], Relación Inmune-Tumor [ITR] y Densidad de Microvasos [MVD]) como biomarcadores potenciales para el STAS, y la relación MVD/Estroma-Vaso (SVR) para el STAS de tipo micropapilar.
5. Validación Extensa: El modelo fue validado en un conjunto de datos interno y ocho cohortes externas independientes, demostrando una generalización robusta a través de diversos centros médicos y fuentes de datos.

Resultados

• Rendimiento Interno: En el conjunto de datos interno SXH-CSU, el DAEM logró un Área bajo la Curva (AUC) de 0.8946 para las SC y 0.9112 para las SP. Superó a numerosas líneas base de aprendizaje profundo (MIL) y basadas en grafos de última generación (SOTA) (por ejemplo, CLAM, DSMIL, TransMIL, PatchGCN) con significancia estadística ($P < 0.01$).
• Generalización Externa: La validación en ocho conjuntos de datos externos (incluyendo centros médicos de alto nivel y conjuntos de datos públicos) arrojó AUCs que oscilaron entre 0.7957 y 0.8642. Aunque el rendimiento varió ligeramente entre centros (atribuido a diferencias en la calidad de los datos y la tinción), el modelo demostró consistentemente una fuerte capacidad diagnóstica, superando los niveles de rendimiento de patólogos principales en varios entornos.
• Interpretabilidad: La visualización de mapas de calor multiescala (10× y 20×) confirmó que las regiones de alta atención del DAEM se alinean estrechamente con las áreas de STAS anotadas por patólogos, masas tumorales y características morfológicas específicas (por ejemplo, atipia nuclear, cúmulos flotantes).
• Valor Pronóstico: El análisis de supervivencia de Kaplan-Meier reveló que la alta expresión de STR, ITR y MVD se asoció significativamente con una supervivencia global más pobre y un mayor riesgo de recurrencia en pacientes positivos para STAS.

Significado y Afirmaciones
El artículo afirma que el DAEM proporciona un marco clínicamente accionable para la evaluación del STAS. Al permitir una detección precisa tanto en SC como en SP, apoya la toma de decisiones quirúrgicas intraoperatorias (por ejemplo, determinar la extensión de la resección) y la estratificación de riesgos postoperatorios. La herramienta de localización semiautomática ofrece una ayuda práctica para que los patólogos cuantifiquen la distancia del STAS, un factor vinculado al pronóstico. Además, la identificación de biomarcadores basados en el TME (STR, ITR, MVD, SVR) contribuye a la comprensión de los mecanismos del STAS y ofrece objetivos potenciales para la medicina de precisión. Los autores enfatizan que el modelo aborda la escasez de patólogos y la necesidad de un diagnóstico objetivo y rápido, particularmente en regiones con recursos médicos desiguales. Si bien el estudio reconoce limitaciones relacionadas con falsos positivos/negativos debido a artefactos de imagen y la necesidad de una mayor optimización en la adaptación de dominios, posiciona al DAEM como un paso significativo hacia la integración de la IA en los flujos de trabajo rutinarios de patología del cáncer de pulmón.