Resumen Técnico: GCE-MIL: Evidencia Fiel y Recuperable para el Aprendizaje de Múltiples Instancias en Imágenes de Diapositivas Completas

1. Declaración del Problema

En la patología computacional, las Imágenes de Diapositivas Completas (WSI) se procesan típicamente utilizando Aprendizaje de Múltiples Instancias (MIL), donde una diapositiva se trata como una "bolsa" de miles de parches de tejido, y la supervisión está disponible solo a nivel de diapositiva. Los modelos MIL estándar basados en atención (por ejemplo, ABMIL, CLAM, TransMIL) agregan características de los parches para predecir etiquetas a nivel de diapositiva. Aunque estos modelos a menudo visualizan los pesos de atención como "evidencia" para sus predicciones, el artículo argumenta que esta práctica confunde dos objetivos distintos: precisión de clasificación y calidad de la evidencia.

Los autores identifican tres fallos sistemáticos cuando se utilizan los pesos de atención como evidencia:

1. Insuficiencia: Retener solo los parches con mayor atención a menudo falla en preservar la predicción original. En 9 conjuntos de datos, mantener solo los parches top-k de atención reduce el Macro-F1 en un promedio de 0.078 en comparación con la bolsa completa.
2. Innecesariedad: Eliminar los parches con mayor atención a menudo tiene poco impacto en la predicción, lo que indica que el modelo depende de información redundante en otras partes. Eliminar los top-k de atención cambia el Macro-F1 en solo 0.033 en promedio.
3. Irrecuperabilidad: Existe una brecha significativa entre las puntuaciones de atención continuas aprendidas durante el entrenamiento y los subconjuntos discretos extraídos en la inferencia. Para ABMIL estándar, esta brecha continuo-discreta (C-D) es de 0.029, lo que significa que la evidencia discreta no representa fielmente la señal continua.

Además, el artículo señala que la evidencia de WSI a menudo es no única; una sola diapositiva puede contener múltiples conjuntos disjuntos de parches que son individualmente suficientes para el diagnóstico, sin embargo, los mecanismos de atención estándar colapsan estos en una sola clasificación, fallando en capturar esta ambigüedad estructural.

2. Metodología: GCE-MIL

Los autores proponen GCE-MIL (Grounded Continuous Evidence MIL), un envoltorio agnóstico al backbone diseñado para optimizar directamente la calidad de la evidencia en lugar de tratarla como un subproducto de la clasificación. El marco se basa en tres criterios: Suficiencia, Necesidad y Recuperabilidad (S/N/R).

Componentes Principales

1. Anclaje Semántico (Abordando la Necesidad):

   • En lugar de aprender la selección puramente a partir de gradientes de clasificación, GCE-MIL ancla la selección de parches en conceptos semánticos específicos del dominio (por ejemplo, "pleomorfismo nuclear", "actividad mitótica").
   • Utiliza un banco de $M=8$ incrustaciones de texto congeladas derivadas de TITAN, un modelo de visión-lingüística de patología.
   • Un adaptador de bajo rango y una red puente mapean las características de los parches al espacio de anclaje. El selector se entrena para asegurar que los parches seleccionados se alineen con estos conceptos diagnósticos, evitando la selección de regiones visualmente salientes pero irrelevantes.

2. Selector Continuo con Cobertura Noisy-OR (Abordando la Suficiencia):

   • El modelo emplea un selector continuo $\pi \in [0, 1]^N$ para determinar la inclusión de parches.
   • Para agregar evidencia a través de múltiples conceptos diagnósticos, el marco utiliza cobertura Noisy-OR en lugar de agrupación media o atención. Para un anclaje específico $m$, la cobertura se calcula como $v_m(\pi) = 1 - \prod_i (1 - \pi_i r_{im})$.
   • Este mecanismo modela los parches como canales de evidencia independientes con rendimientos marginales decrecientes. Se demuestra que es submodular monótono, lo que permite una optimización codiciosa fundamentada. Esto asegura que el subconjunto seleccionado cubra los conceptos diagnósticos necesarios sin redundancia.

3. Recuperación Discreta por Umbral más Reparación (Abordando la Recuperabilidad):

   • En la inferencia, el selector continuo se convierte en un subconjunto discreto mediante un procedimiento de umbral más reparación.
   • Primero, los parches se umbralizan (por ejemplo, $\pi_i > 0.5$). Si el subconjunto resultante no cumple con un objetivo de cobertura (por ejemplo, el 95% de la cobertura de anclaje), un algoritmo codicioso de reparación agrega parches basándose en la ganancia marginal exacta de la utilidad noisy-OR.
   • Esto asegura que el subconjunto discreto sea una recuperación fiel del selector continuo, minimizando la brecha C-D.

Objetivo de Entrenamiento

El envoltorio se entrena conjuntamente con el backbone anfitrión utilizando una pérdida compuesta:
$$L = L_{task} + \lambda_b L_{budget} + \lambda_g L_{ground}$$

• $L_{task}$: La pérdida original de clasificación o supervivencia (preservando la capacidad predictiva).
• $L_{budget}$: Impone dispersión (por ejemplo, seleccionando ~5% de los parches) para impulsar la Suficiencia.
• $L_{ground}$: Alinea el selector con las respuestas de anclaje noisy-OR para impulsar la Necesidad.
• Recocido de Temperatura: La temperatura del selector se recocida de 1.0 a 0.4 durante el entrenamiento para empujar la distribución de la puerta hacia un régimen bimodal, facilitando la recuperación discreta.

Modos de Inyección

GCE-MIL es un envoltorio plug-in que se adapta a diferentes arquitecturas de backbone:

• Backbones basados en atención (ABMIL, CLAM): Inyectado como un sesgo de logit de atención ($\alpha_i \leftarrow \alpha_i + \log \pi_i$).
• Backbones basados en tokens (TransMIL, DTFD-MIL): Inyectado como reponderación de características ($h_i \leftarrow \pi_i \cdot h_i$).
• Backbones híbridos/multiruta: Una combinación de ambos.

3. Contribuciones Clave

1. Formalización de la Calidad de la Evidencia: El artículo define y operacionaliza tres criterios (Suficiencia, Necesidad, Recuperabilidad) para evaluar la evidencia MIL, demostrando que los métodos estándar basados en atención fallan en los tres.
2. Diagnóstico de Subconjunto Mínimo: Un análisis recursivo en el conjunto de datos BRACS revela que el 72.67% de las diapositivas de validación admiten al menos dos subconjuntos suficientes disjuntos, motivando la necesidad de selección de evidencia más allá de una sola clasificación de atención.
3. Marco GCE-MIL: Un envoltorio modular que integra anclaje semántico, cobertura noisy-OR y recuperación discreta. Está diseñado para ser ortogonal a los backbones existentes, mejorándolos sin reemplazar sus mecanismos de agregación centrales.
4. Evaluación Exhaustiva: El método se evalúa en una rejilla de 9 $\times$ 9 (9 backbones $\times$ 9 conjuntos de datos), cubriendo tanto clasificación (BRACS, PANDA, TCGA-BRCA, TCGA-NSCLC) como predicción de supervivencia (TCGA-LUAD, STAD, UCEC, KIRP, KIRC).

4. Resultados

La evaluación demuestra que optimizar para S/N/R mejora tanto la calidad de la evidencia como, en muchos casos, el rendimiento predictivo.

• Rendimiento Predictivo: En 81 configuraciones, GCE-MIL mejora el Macro-F1 promedio en 0.024 y el índice C en 0.014. Las mayores ganancias se observan en tareas desafiantes y de grano fino (por ejemplo, clasificación de 7 clases de BRACS), donde el Macro-F1 de ABMIL aumentó de 0.634 a 0.703 (+6.9 puntos).
• Calidad de la Evidencia (Diagnósticos de Intervención):
  • Suficiencia: Mantener la evidencia GCE cambia la puntuación de la bolsa completa en solo 0.004, en comparación con una caída de 0.078 para los top-k de atención.
  • Necesidad: Eliminar la evidencia GCE causa una caída de rendimiento de 0.176, en comparación con solo 0.033 para los top-k de atención.
  • Recuperabilidad: La brecha continuo-discreta se reduce de 0.029 (ABMIL) a 0.004–0.005 con GCE.
• Eficiencia: Con prefiltrado opcional de baldosas (saltando parches no seleccionados antes de la extracción de características), la inferencia se ejecuta hasta 5$\times$ más rápido mientras retiene 0.989$\times$ de la utilidad de la bolsa completa. Incluso con características en caché, el tiempo de agregación MIL se reduce a 0.22$\times$ del original.
• Localización: En el conjunto de datos CAMELYON-16, agregar GCE mejora las puntuaciones Dice (por ejemplo, TransMIL de 0.103 a 0.398) y las puntuaciones FROC, indicando una mejor alineación espacial con las regiones tumorales anotadas.

5. Significado y Afirmaciones

El artículo afirma que GCE-MIL aborda una brecha fundamental en MIL: la suposición de que la precisión de clasificación implica evidencia fiel. Al optimizar explícitamente para Suficiencia, Necesidad y Recuperabilidad, el método produce evidencia que es:

• Autosuficiente: Los parches seleccionados por sí solos preservan la predicción.
• Crítica: Eliminar los parches seleccionados degrada la predicción.
• Fiel: La evidencia discreta en la inferencia coincide con la señal continua aprendida durante el entrenamiento.

Los autores enfatizan que GCE-MIL es un envoltorio y no un backbone de reemplazo, lo que lo hace aplicable a una amplia gama de arquitecturas MIL existentes. Los resultados sugieren que la calidad de la evidencia no es meramente una preocupación de interpretabilidad post-hoc, sino un factor que, cuando se optimiza, puede mejorar la robustez y precisión del modelo predictivo subyacente, particularmente en escenarios diagnósticos complejos y multi-concepto. El trabajo también destaca que los mecanismos de atención estándar a menudo fallan en capturar la naturaleza no única y multi-fuente de la evidencia patológica, una limitación que GCE-MIL mitiga a través de su enfoque basado en cobertura.