Resumen Técnico: Detección de Mitosis en el Mundo Real – Generalización Multitumoral y Sensible al Contexto en el Desafío MIDOG 2025

1. Planteamiento del Problema

La detección automatizada de figuras mitóticas (MF) es una tarea crítica en la patología computacional para evaluar la agresividad del cáncer mediante el recuento mitótico (MC). Si bien los benchmarks anteriores (por ejemplo, MITOS, MIDOG 2021/2022) han avanzado en el campo, se basaron en gran medida en regiones de "hotspots" seleccionadas por expertos: áreas de alta densidad celular y actividad mitótica. Este enfoque introduce un sesgo de muestreo y no refleja la variabilidad de los flujos de trabajo clínicos del mundo real, donde los algoritmos deben procesar imágenes de portaobjetos completos (WSI) que contienen diversas arquitecturas tisulares, regiones aleatorias y áreas ricas en "impostores" (estructuras morfológicamente similares a las mitosis, como células apoptóticas o restos necróticos).

Además, aunque la relevancia pronóstica de las figuras mitóticas atípicas (AMF) —indicativas de inestabilidad cromosómica y comportamiento tumoral agresivo— está establecida, los conjuntos de datos multidominio a gran escala para la clasificación de AMF han sido escasos. El desafío MIDOG 2025 fue diseñado para abordar estas brechas evaluando la robustez algorítmica a través de una diversidad biológica sin precedentes (12 tipos de tumores en especímenes humanos, caninos y felinos) y diversidad contextual (hotspot, aleatorio y regiones desafiantes).

de Metodología

Diseño del Desafío y Datos

El desafío constó de dos pistas independientes:

• Pista 1: Detección de Figuras Mitóticas. Los participantes localizaron las MF dentro de Regiones de Interés (ROI) de 2 mm². A diferencia de ediciones anteriores, la evaluación se extendió más allá de los hotspots para incluir:
  • ROIs de Hotspot: Regiones de alta densidad seleccionadas por expertos.
  • ROIs Aleatorios: Muestreados uniformemente del área de tejido para representar el portaobjetos completo.
  • ROIs Desafiantes: Regiones seleccionadas por expertos con alta densidad de impostores de MF (por ejemplo, células inflamatorias, restos necróticos) y artefactos.
  • El conjunto de prueba consistió en 365 ROIs de 122 casos de 12 dominios tumorales (incluyendo melanoma humano, glioblastoma, adenocarcinoma de pulmón y varios tumores caninos/felinos), digitalizados en múltiples plataformas de escaneo.
• Pista 2: Clasificación de Figuras Mitóticas Atípicas. Los participantes clasificaron parches de 128×128 px centrados en MF confirmadas como "normales" o "atípicas". El conjunto de prueba incluyó 11,939 MF a través de siete dominios, derivados del conjunto de datos MIDOG++.

Protocolo de Anotación

El ground truth para la Pista 1 se estableció mediante un pipeline de anotación de dos fases apoyado por inmunohistoquímica (IHC) de Fosfohistona H3 (PHH3) para asistir en la identificación de las fases mitóticas.

1. Fase 1: Un patólogo veterinario certificado de la junta anotó las células utilizando etiquetado asistido por PHH3, categorizándolas en cinco clases (que van desde MF distintivas/positivas para PHH3 hasta impostores negativos para PHH3).
2. Fase 2: Un segundo patólogo clasificó a ciegas parches recortados (30 micras) de imágenes H&E como MF o no-MF (impostor). Los desacuerdos fueron resueltos por un tercer experto.
   Para la Pista 2, la clasificación de AMF siguió las directrices establecidas, con un consenso alcanzado por dos patólogos (y un tercero para desempatar) sobre las MF confirmadas.

Métricas de Evaluación

• Pista 1: La métrica primaria fue la puntuación F1 promediada por micro (micro-averaged F1 score). Las mét la métricas secundarias incluyeron FROC-AUC (área bajo la curva ROC de respuesta libre, restringida a 8 falsos positivos por imagen) y Precisión Promedio (AP).
• Pista 2: La métrica primaria fue la Exactitud Balanceada (BA) para dar cuenta del desequilibrio de clases. La métrica secundaria fue ROC AUC.
• Análisis Post-Desafío: Los organizadores realizaron estudios de ablación sobre los contenedores Docker enviados para aislar los efectos del Ensamble (Ensembling) y la Aumentación en Tiempo de Prueba (TTA), junto con el análisis del tiempo de inferencia y el uso de VRAM.

3. Contribuciones Clave

1. Expansión del Alcance de la Evaluación

Este trabajo introduce la primera evaluación a gran escala de la detección de mitosis "en el mundo real", yendo más allá de los hotspots curados para incluir regiones aleatorias y desafiantes. Este cambio expone una "brecha de fiabilidad clínica" significativa, demostrando que los modelos que funcionan bien en hotspots suelen fallar en contextos más amplios.

2. Benchmark Multidominio y Multiespecie

El desafío utilizó un conjunto de prueba que abarca 12 tipos de tumores de fuentes humanas, caninas y felinas, digitalizados en varios escáneres. Esto proporciona una prueba riguroa de la generalización de dominio a través de especies y cambios inducidos por el escáner.

3. Conjunto de Datos de Gran Escala para AMF

El desafío liberó un conjunto de datos exhaustivo y multidominio para la clasificación de AMF, abordando la escasez de datos anotados para este marcador pronóstico.

4. Análisis Empírico de Técnicas Comunes

A través de estudios de ablación en las propuestas de los participantes, el artículo proporciona evidencia empírica sobre la eficacia del Ensamble y la TTA en este dominio específico, desafiando la suposición de que estas técnicas son universalmente beneficiosas.

4. Resultados

Pista 1: Rendimiento de Detección

• Rendimiento General: El equipo superior (Lv et al.) logró una puntuación F1 de 0.740.
• Varianza Contextual: El rendimiento se degradó significativamente fuera de los hotspots.
  • Hotspot: F1 medio = 0.735.
  • Aleatorio: F1 medio = 0.638.
  • Desafiante: F1 medio = 0.479.
• Tasa de Falsos Positivos: La precisión en áreas desafiantes cayó a 0.400 comparado con 0.805 en hotspots, lo que resultó en un incremento del 208% en la tasa de falsos positivos.
• Dependencia del Tumor: El rendimiento varió ampliamente según el tipo de tumor, con el F1 mediano más bajo en glioblastoma humano (0.444) y el más alto en hemangiosarcoma canino (0.808).
• Correlación: No hubo una correlación significativa entre el rendimiento en hotspots y áreas desafiantes ($r=0.36, p=0.201$), lo que indica que la competencia en hotspots no predice la robustez en regiones difíciles.

Pista 2: Rendimiento de Clasificación

• Rendimiento General: El equipo superior (Balezo et al.) logró una Exactitud Balanceada de 0.908.
• Dependencia del Tumor: Se observó una varianza significativa entre los tipos de tumores, con el linfoma felino mostrando la BA mediana más baja (restringida por un bajo recall) y el astrocitoma humano la más alta.

Perspectivas Metodológicas (Estudios de Ablación)

• Ensamble: Proporcionó ganancias consistentes. En la Pista 1, el ensamble aumentó el F1 en un promedio de 1.55 puntos porcentuales, con el beneficio creciendo más en regiones desafiantes. En la Pista 2, aumentó la BA en 1.30 puntos porcentuales.
• Aumentación en Tiempo de Prueba (TTA): Mostró una mejora insignificante o nula. En la Pista 1, la TTA produjo un aumento medio de solo 0.32 puntos porcentuales en F1, con una disminución mediana de -0.042 puntos.
• Tendencias de Arquitectura:
  • Pista 1: La familia YOLO (v5–v12) fue el marco de detección de objetos dominante.
  • Pista 2: La Adaptación de Bajo Rango (LoRA) de modelos fundacionales (ej. DINOv3, Virchow, UNI) fue la estrategia predominante entre los mejores clasificados.

5. Significado y Reivindicaciones

El artículo afirma que el desafío MIDOG 2025 demuestra que "la detección de mitosis en el mundo real sigue siendo un obstáculo significativo". La transición de una evaluación basada solo en hotspots a un marco contextual múltiple revela que las arquitecturas actuales de vanguardia poseen "puntos ciegos", particularmente respecto a tumores raros o regiones altamente pleomórficas o ricas en impostores.

Las conclusiones clave enfatizadas por los autores incluyen:

1. Brecha de Fiabilidad Clínica: Los modelos validados solo en hotspots no son confiables para el análisis rutinario de WSI debido a la alta tasa de falsos positivos en regiones aleatorias y desafiantes.
2. Necesidad de Curación de Datos: Los futuros conjuntos de datos deben priorizar la varianza de dominio (tipos de tumores, escáneres) y, crucialmente, el contexto espacial de las anotaciones. Los conjuntos de datos basados en parches (ej. 64×64 px) pueden dificultar a los modelos de detección de objetos que dependen de la arquitectura tisular circundante para distinguir las mitosis de los impostores.
3. Eficacia de la Técnica: Si bien el ensamble es un método robusto para mejorar la generalización, la TTA no parece ofrecer beneficios significativos y añade una carga computacional.
4. Estándares de Evaluación: El desafío establece un nuevo benchmark que premia la generalización a través de diversos paisajes biológicos y contextuales, acercando el campo a soluciones clínicamente desplegables.

Los autores concluyen que, si bien la detección en hotspots es robusta, el campo debe centrarse en una validación rigurosa más allá de los hotspots y en la curación de recursos de entrenamiento diversos para permitir una traslación responsable a la práctica clínica.