Resumen Técnico: EviBall – Recuperación de Evidencia Condicionada por Clase para la Clasificación de Imágenes de Portaobjetos Completas (WSI) con Pocos Ejemplos (Few-Shot)

1. Planteamiento del Problema

La clasificación de Imágenes de Portaobjetos Completos (WSI) es una tarea impulsada por la evidencia donde las pistas diagnósticas son dispersas, están organizadas espacialmente y dependen de la clase. A diferencia de las imágenes naturales, donde las predicciones se basan en representaciones holísticas de objetos, la clasificación de WSI requiere identificar evidencia histológica específica distribuida a través de paisajes de tejido a escala de gigapíxeles.

Los enfoques actuales enfrentan desafíos significativos bajo supervisión de pocos ejemplos (donde solo se dispone de un puñado de portaobjetos etiquetados por clase):

• Limitaciones de Agregación: Los métodos existentes de Aprendizaje de Múltiples Instancias (MIL) y de visión-lenguaje suelen agregar características de parches fragmentados en una única representación global del portaobjetos. Bajo una supervisión limitada, aprender un mecanismo fiable para organizar pistas locales dispersas en evidencia diagnóstica coherente es difícil.
• Fusión Agnóstica a la Clase: Las representaciones compartidas de los portaobjetos suelen comprimir la evidencia que apoya a una clase candidata y a sus alternativas en el mismo vector de características. Este entrelazamiento limita el razonamiento específico de la clase y la interpretabilidad.
• Desajuste Semántico: Aunque los métodos multimodales introducen guía semántica, a menudo dependen de prioris puramente textuales (por ejemplo, de Modelos de Lenguaje de Gran Escala - LLM) que pueden ser indirectos para las predicciones de puntos finales moleculares, o bien fusionan la información semántica en una característica global, fallando en preservar la evidencia específica de la clase.

El desafío central es organizar los parches locales en unidades de evidencia fiables y específicas de la clase sin necesidad de anotaciones densas a nivel de parche, permitiendo un razonamiento robusto bajo la escasez de etiquetas a nivel de portaobjetos.

2. Metodología: EviBall

Los autores proponen EviBall, un marco de recuperación de evidencia condicionada por la clase que redefine la clasificación de WSI de pocos ejemplos como un razonamiento de evidencia estructurada en lugar de un aprendizaje de representación global. El marco consta de tres etapas principales:

A. Construcción de las Esferas de Evidencia (Evidence Balls)

En lugar de tratar los parches como instancias aisladas, EviBall los agrupa en unidades compactas y estructuradas llamadas Esferas de Evidencia (Evidence Balls). Cada esfera $B_k$ codifica tres atributos:

1. Centro Semántico ($c_k$): El contenido semántico agregado.
2. Centro Espacial ($s_k$): La ubicación espacial agregada.
3. Masa de Soporte ($q_k$): La fuerza o confianza relativa de la evidencia.

El proceso de construcción implica:

• Inicialización Consciente de la Diversidad: Los regiones locales se particionan y se seleccionan los dos parches menos similares dentro de cada región como semillas para inicializar esferas candidatas semánticamente diversas.
• Vinculación de Evidencia Local: Una operación de Afinidad Semántico-Espacial Local (LSSA) mide la compatibilidad entre las semillas inicializadas y los parches vecinos. Esto utiliza una matriz de afinidad local para calcular los pesos de asignación, asegurando que las esferas capturen patrones locales coherentes mientras se reduce el ruido de emparejamiento global.
• Actualización del Centro mediante Puerta Espacial: Una puerta espacial modula el refinamiento del centro semántico basándose en el desplazamiento entre los centros espaciales inicial y agregado. Esto asegura que las actualizaciones semánticas ocurran solo cuando están respaldadas por cambios espaciales consistentes, estabilizando el proceso de refinamiento.
• Regularización de la Diversidad: Se aplica un regularizador de diversidad de la misma región a las esferas de evidencia co-localizadas para fomentar que capturen patrones locales complementarios en lugar de redundantes.

B. Generación de Consultas Semánticas Relevantes para la Tarea

Para recuperar evidencia de manera consciente de la clase, EviBall genera consultas semánticas adaptadas a la tarea específica:

• Consultas Guiadas por Lenguaje: Para tareas orientadas a la morfología, un LLM genera descripciones patológicas para cada clase, las cuales son codificadas por un codificador de texto congelado (TITAN) para formar la consulta.
• Consultas Guiadas por Moléculas: Para predicciones de puntos finales moleculares (por ejemplo, expresión génica), las descripciones textuales son insuficientes. En su lugar, el marco utiliza un modelo fundacional transcriptómico preentrenado (scGPT) para generar consultas basadas en estados de expresión génica (bins bajos vs. altos).
• Proyección de Adaptador: Un adaptador específico de la fuente proyecta estas consultas diversas en el espacio de incrustación (embedding) de las esferas de evidencia.

C. Recuperación de Evidencia Condicionada por Clase

A diferencia del MIL tradicional que agrega toda la evidencia en un único vector global, EviBall realiza una atención cruzada consciente del soporte para cada consulta de clase de forma independiente:

• Atención Consciente del Soporte: El mecanismo de atención incluye un término de sesgo aditivo basado en la masa de soporte ($q_k$) de cada esfera de evidencia. Esto asegura que las esferas con mayor soporte reciban mayores pesos de atención cuando la relevancia semántica es comparable.
• Predicción por Clase: Cada consulta de clase recupera selectivamente sus esferas de evidencia de soporte para formar una representación distinta y condicionada por la clase. Estas representaciones se pasan a través de cabezales de predicción específicos de la clase para generar los logits. Esto reformula la tarea como una competencia entre clases candidatas sobre la evidencia estructurada.

3. Contribuciones Clave

1. Marco Centrado en la Evidencia: La introducción de las Esferas de Evidencia (Evidence Balls), que desplazan el enfoque del modelado de instancias de parches aisladas hacia unidades de evidencia compactas y espacialmente coherentes que codifican conjuntamente la semántica, la organización espacial y la masa de soporte.
2. Consulta Semántica Adaptable a la Tarea: Extensión del MIL multimodal más allá de la guía basada únicamente en lenguaje, integrando semánticas derivadas de moléculas (vía scGPT) para la predicación de puntos finales moleculares, junto con la semántica morfológica derivada de LLM.
3. Recuperación Condicionada por Clase: Un decodificador de evidencia consciente del soporte y condicionado por la clase donde cada consulta de clase recupera selectivamente las esferas de evidencia relevantes, evitando el entrelazamiento de la evidencia encontrado en los métodos de agregación global.
4. Rendimiento Robusto de Pocos Ejemplos (Few-Shot): Experimentos extensos que demuestran que la construcción de evidencia estructurada y la recuperación condicionada por la clase superan a las líneas base convencionales y de visión-lenguaje en diversos entornos de pocos ejemplos.

4. Resultados Experimentales

Los autores evaluaron EviBall en cuatro tareas de clasificación de WSI de pocos ejemplos que cubren tanto la clasificación orientada a la morfología como la predicción de puntos finales moleculares:

• Subtipado de RCC (Carcinoma de células renales)
• Subtipado de BRCA (Cáncer de mama)
• Gradación de IMP (Gradación de inmunofenotipo)
• BCNB-PR (Predicción del receptor de progesterona en cáncer de mama)

Aspectos Destacados del Rendimiento:

• Superioridad: EviBall logró consistentemente el mejor rendimiento o uno competitivo en configuraciones de 1, 2, 4 y 8 ejemplos, superando a líneas base como ABMIL, CLAM, TransMIL, RRT, ViLaMIL, FOCUS y MUSE.
• Guía Molecular: En la tarea BCNB-PR, la variante EviBall-RNA (usando consultas guiadas por moléculas) generalmente superó a la variante EviBall-LLM (usando consultas solo de texto), particularmente en configuraciones de 2/4/8 ejemplos. Esto sugiere que las semánticas moleculares relevantes para la tarea proporcionan una guía más apropiada que las prioris textuales para los puntos finales moleculares.
• Estabilidad: Las ganancias de rendimiento se mantuvieron consistentes a través de diferentes números de ejemplos, lo que indica la robustez del método ante la escasez de etiquetas.

Estudios de Ablación:

• Reemplazar las Esferas de Evidencia por atención a nivel de parche causó la mayor caída de rendimiento, confirmando la necesidad de las unidades de evidencia estructuradas.
• Promediar las representaciones condicionadas por clase en una característica compartida del portaobjetos (Variante II) degradó el rendimiento, validando el beneficio de la recuperación condicionada por la clase.
• Eliminar el sesgo de la masa de soporte o las actualizaciones de la puerta espacial redujo el rendimiento, resaltando la importancia de la fuerza de la evidencia y la coherencia espacial.

5. Significado y Reivindicaciones

El artículo afirma que EviBall aborda las limitaciones fundamentales de los paradigmas MIL existentes en la clasificación de WSI de pocos ejemplos mediante:

• Redefinición de la Tarea: El cambio de aprender un mecanismo de agregación global no restringido hacia un razonamiento de recuperación de evidencia estructurada y competencia.
• Mejora de la Interpretabilidad: Al recuperar esferas de evidencia específicas de la clase, el modelo proporciona evidencia espacialmente localizada y específica de la clase para cada predicción, como se demuestra en el análisis de un portaobjetos de cáncer de mama heterogéneo donde el modelo identificó correctamente ILC sobre IDC basándose en una evidencia espacialmente extensa.
• Flexibilidad: El marco integra con éxito diferentes fuentes semánticas (lenguaje y datos moleculares), demostrando que la guía relevante para la tarea es crucial para una recuperación de evidencia efectiva.

Los autores concluyen que EviBall ofrece un enfoque más fiable para organizar las pistas diagnósticas dispersas bajo una supervisión limitada, proporcionando una vía para modelos de patología computacional más interpretables y precisos.