What Carries the Signal in Pathology Foundation-Model Atlases? A Patient-Level Controlled Benchmark in Breast Cancer

Resumen Técnico: ¿Qué transporta la señal en los atlas de modelos fundacionales de patología?

Planteamiento del problema
Se informa ampliamente que los modelos fundacionales de patología (por ejemplo, UNI, CONCH, Virchow) codifican programas moleculares dentro de la morfología tisular. Sin embargo, la evidencia de apoyo suele basarse en listas de genes rankificadas por cohorte y en "conteos de genes conductores" (driver genes) en lugar de predicciones para pacientes no incluidos en el entrenamiento. Esta convención de reporte no logra distinguir si la señal surge de las representaciones morfológicas, de la maquinaria geométrica utilizada para decodificarlas o de factores de confusión más simples como la composición del tejido o los artefactos del escáner. Además, las afirmaciones previas suelen atribuir el éxito a estructuras geométricas riemannianas complejas sin probar rigurosamente si enfoques euclidianos más simples o modelos de control competidores ofrecen resultados equivalentes.

Metodología
El autor reconstruye la evaluación de los modelos fundacionales de patología en torno a un benchmark de pacientes retenidos (held-out) utilizando 285 pacientes de TCGA-BRCA con imágenes de portaobjetos completos (WSI) y datos de RNA-seq emparejados.

1. Diseño del Benchmark:

   • Unidad de Evidencia: El paciente es la unidad independiente. Las predicciones se realizan mediante GroupKFold (5 pliegues), asegurando que no haya fuga de datos de pacientes entre el entrenamiento y la prueba.
   • Tarea: Predicción de cuatro puntuaciones de programas génicos preespecificados (ER/luminal, proliferación, basal, inmune) mediante regresión ridge sobre embeddings con pooling medio.
   • Controles: El estudio emplea un "conjunto de modelos de control competidores" en lugar de simples nulos de permutación. Cada afirmación principal se prueba contra:
     • Un nivel base (floor) de solo intercepto.
     • Composición tisular por sí sola (fracciones de compartimentos).
     • Covariables técnicas (resolución del escáner, calidad).
     • 54 características interpretables de conteo celular.
     • Regresión ridge sobre los mismos embeddings (para aislar el valor de decodificadores complejos).
   • Rigor Estadístico: La significancia se evalúa mediante un nulo de permutación emparejado (10,000 permutaciones) que ejecuta la misma pipeline sobre etiquetas permutadas, con ajuste de Holm–Bonferroni a través de las 44 celdas experimentales (11 backbones × 4 programas).

2. Ablación Geométrica:

   • El estudio aísla la contribución de la geometría riemanniana comparando la pipeline completa (tensores métricos, trayectorias geodésicas) contra una pipeline puramente euclidiana.
   • Crucialmente, el autor identifica un fallo en implementaciones previas: el grafo geodésico selecciona vecinos mediante una búsqueda de vecinos más cercanos euclidianos y luego repondera las aristas. Esto hace que la topología sea euclidiana por construcción, dejando la métrica inerte. El estudio prueba una implementación "consistente" donde los vecinos se seleccionan por distancia riemanniana.

3. Construcción y Análisis del Atlas:

   • Los embeddings de los pacientes se particionan en cartas de coordenadas superpuestas mediante k-means esférico.
   • Un grafo k-NN conecta los centroides de las cartas, y se estiman los tensores métricos riemannianos locales y la curvatura escalar.
   • El descubrimiento de genes se realiza mediante tres modos: genes de transición (entre cartas), genes monotónicos (a lo largo de trayectorias geodésicas) y genes rankificados por correlación (contra el PC1 del atlas).
   • La robustez se prueba frente a la normalización de coloración, muestreo de teselas y el ajuste de hiperparámetros.

Resultos Clave

• Señal a Nivel de Paciente: La regresión ridge sobre embeddings con pooling medio predice las puntuaciones de los programas retenidos con un Spearman $\rho$ que oscila entre 0.25 y 0.56. UNI2 es el backbone más fuerte en todos los programas (ej., inmune $\rho = 0.556$). Estos resultados son estadísticamente significativos ($p \approx 10^{-4}$) frente a un nulo de permutación emparejado.
• Fuente de la Señal (Composición vs. Morfología):
  • Para los programas ER/luminal, proliferación e inmune, los embeddings retienen una señal significativa más allá de la composición tisular (ganancias de +0.280 a +0.479 sobre la composición por sí sola).
  • Para el programa basal, la señal está totalmente explicada por la composición del tejido. El embedding no añade valor detectable sobre el conocimiento de las fracciones de carcinoma, estroma y necrosis ($\rho_{embed} = 0.493$ vs. $\rho_{comp} = 0.469$, $p=0.77$).
  • Características Interpretables: 54 características de conteo celular logran un rendimiento dentro de un margen de 0.043–0.085 respecto a los modelos fundacionales, lo que sugiere que las características simples y auditables se aproximan al rendimiento de los embeddings de alta dimensión.
• La Maquinaria Geométrica es Inerte:
  • La métrica riemanniana, tal como se implementó en la literatura previa (selección de vecinos euclidianos + reponderación de métrica), no aporta nada mensurable ($\Delta \rho = +0.0010$, 95% CI $[-0.0007, +0.0029]$).
  • Cuando se aplica de forma consistente (seleccionando vecinos por distancia riemanniana), la geometría es mediblemente peor ($\Delta \rho = -0.0117$).
  • Un probe lineal simple (regresión ridge) sobre embeddings con pooling medio supera al complejo decodificador de grafo y métrica por +0.097.
• Los Conteos de Drivers no son Informativos: El estudio demuestra que el 91.8% de los paneles aleatorios de seis genes recuperan $\ge 5/6$ "drivers" debido a tasas de paso de FDR muy altas (98.6%). Por lo tanto, los conteos de drivers no pueden servir como un endpoint primario para distinguir la eficacia de la pipeline.
• Multi-resolución y Agregación: El análisis multi-resolución (celular, mesoscópica, tisular) recupera distintos conjuntos de genes, pero no se establece una superioridad predictiva mediante el benchmark a nivel de paciente. Los métodos de agregación con conciencia espacial (atención de grafos, top-k) generan diferentes conjuntos de genes pero no superan consistentemente al pooling medio en un sentido predictivo.
• Asociación Clínica: Solo el backbone CONCH mostró una asociación estadísticamente significativa con la supervivencia global (C-index 0.734, $p=0.009$), pero esto no añadió valor pronóstico más allá de los subtipos PAM50.

Significancia y Afirmaciones
El artículo conclifica que, si bien los embeddings de los modelos fundacionales portan una señal molecular genuina a nivel de paciente para programas específicos, el aparato geométrico construido sobre ellos (métricas riemannianas, grafos geodésicos) no contribuye a esta señal en la implementación actual.

• La Señal: La señal biológica reside en las representaciones de los modelos fundacionales, no en la maquinaria de decodificación geométrica.
• El Baseline: Las características simples e interpretables (conteo de células) y la composición tisular son competidores fuertes; para el programa basal, la composición explica totalmente la señal.
• La Corrección Metodológica: El documento identifica que las afirmaciones previas de superioridad riemanniana son artefactos de la implementación (la selección de vecinos euclidianos enmascara el efecto de la métrica). Una implementación riemanniana consistente rinde peor que la euclidiana.
• El Estándar de Evaluación: El autor argumenta que el conteo de drivers en toda la cohorte es una métrica débil. Aboga por benchmarks de nivel de paciente con baselines de modelos competidores para distinguir la verdadera señal morfológica de la composición o los artefactos del escáner.

El trabajo sirve como un "benchmark controlado" que reevalúa los paradigmas dominantes del campo, ofreciendo un resultado negativo sobre la utilidad de los decodificadores geométricos complejos y un resultado positivo sobre la robustez de los probes lineales simples sobre los embeddings de modelos fundacionales.