⚡ electrical engineering

Integrating Implicit and Explicit Relational Biases through Graph-Based Multiple Instance Learning: A Case Study in Skin Lesion Diagnosis

Este artículo propone un marco relacional de doble nivel que combina el aprendizaje implícito entre parches mediante un autoencoder enmascarado con un modelado explícito basado en grafos para mejorar significativamente el rendimiento del diagnóstico de lesiones cutáneas en los bancos de pruebas de ISIC, logrando una precisión equilibrada del 79,27% en el conjunto de datos ISIC-2018.

Autores originales: Rafał Buler (Gdańsk University of Technology), Jakub Buler (Gdańsk University of Technology), Maciej Bobowicz (Medical University of Gdańsk), Michał Grochowski (Gdańsk University of Technology)

Publicado 2026-08-07

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rafał Buler (Gdańsk University of Technology), Jakub Buler (Gdańsk University of Technology), Maciej Bobowicz (Medical University of Gdańsk), Michał Grochowski (Gdańsk University of Technology)

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de enseñarle a una computadora a reconocer un tipo específico de objeto, como un ave poco común o una mancha difícil en una camisa, solo con mirar una fotografía. En el mundo de la inteligencia artificial, esto se llama clasificación de imágenes. Durante mucho tiempo, las computadoras han sido muy buenas en esto al observar diminutos puntos de color (píxeles) y aprender cómo se agrupan para formar formas. Pero hay un inconveniente: los objetos del mundo real, especialmente en medicina como las manchas en la piel, no son solo montones aleatorios de píxeles. Tienen una estructura. Las partes de un lunar o una lesión se comunican entre sí; el borde de una mancha se relaciona con su centro.

Para ayudar a las computadoras a entender estas relaciones, los científicos utilizan algo llamado "sesgo inductivo". Piensa en esto como un conjunto de reglas o una pista que le damos a la computadora sobre cómo funciona el mundo. Una forma es el aprendizaje "implícito", donde la computadora descubre las conexiones por su cuenta mirando millones de imágenes, de la misma manera que aprendes a reconocer el rostro de un amigo sin que te digan exactamente qué rasgos importan. Otra forma es el aprendizaje "explícito", donde literalmente dibujamos un mapa para la computadora, mostrándole qué partes de la imagen son vecinas y deben ser comparadas. Este artículo explora qué sucede cuando combinamos estos dos enfoques: dejar que la computadora aprenda lo básico por su cuenta y luego darle un mapa específico para ayudarla a conectar los puntos aún mejor. ¿El objetivo? Hacer que el diagnóstico médico sea más preciso, lo cual es muy importante porque los médicos necesitan cada ventaja posible para detectar enfermedades a tiempo.

La historia del artículo: Enseñando a una computadora a "hablar" consigo misma

Este artículo trata sobre un equipo de investigadores que quería ver si podían hacer que una computadora fuera más inteligente al diagnosticar lesiones cutáneas (manchas en la piel que podrían ser cáncer) mezclando dos formas diferentes de pensar. Configuraron un pequeño experimento para ver si una computadora podía mejorar en su trabajo si primero aprendía a entender la "vibra" de una imagen por su cuenta, y luego la obligaba a charlar explícitamente con diferentes partes de esa imagen.

Primero, le dieron a la computadora una sesión de entrenamiento "autosupervisado". Imagina que tienes un rompecabezas, pero cubres la mitad de las piezas y le pides a alguien que adivine qué hay debajo basándose en las piezas que puede ver. La computadora hizo algo similar: miró la imagen de una lesión cutánea, tuvo partes de ella ocultas e intentó reconstruir las partes faltantes. Esto le enseñó a la computadora a entender las relaciones locales entre pequeños cuadrados (llamados "parches") de la imagen sin necesidad de que un humano le dijera qué enfermedad era. Esta es la parte implícita: aprender las reglas del juego jugándolo.

Después, tomaron esas "vibras" aprendidas (embeddings) e intentaron clasificar las manchas en la piel. Comenzaron con un método estándar donde la computadora simplemente miraba todos los parches y votaba sobre cuál debería ser el diagnóstico. Este era su punto de referencia, y funcionó bastante bien, obteniendo una "precisión equilibrada" del 76.17% en un conjunto de pruebas (ISIC-2018). Pero los investigadores no habían terminado. Querían ver si podían hacerlo mejor añadiendo la parte explícita: un mapa.

Organizaron los parches en diferentes "grafos", que son simplemente redes elegantes donde los puntos (parches) están conectados por líneas (relaciones). Probaron tres tipos de mapas:

Aleatorio: Conectando parches a vecinos aleatorios, como un chat grupal caótico.
Rejilla (Grid): Conectando parches solo a sus vecinos inmediatos, como una manzana de ciudad donde solo hablas con las casas de al lado.
k-Vecinos más cercanos (kNN): Conectando parches a los que se les parecen más, independientemente de dónde estén en la imagen, como un club donde solo sales con personas que tienen los mismos pasatiempos.

Luego utilizaron un tipo especial de red neuronal (una Red Neurial de Grafos) para permitir que estos parches "pasen mensajes" entre sí a lo largo de las líneas de su mapa antes de tomar una decisión final.

Lo que encontraron

Los resultados fueron bastante claros. La computadora que solo miraba los parches y votaba (el punto de referencia) obtuvo un 76.17% de precisión. Cuando añadieron el aprendizaje "implícito" (la reconstrucción autosupervisada), saltó al 77.12%. Pero la verdadera magia ocurrió cuando añadieron los mapas explícitos.

El mejor desempeño lo tuvo el Grafo de Rejilla combinado con un tipo específico de red de paso de mensajes llamada Red de Atención de Grafos (GAT). Esta configuración, que obligaba a la computadora a respetar la disposición física de la lesión cutánea, aumentó la precisión al 79.27%. ¡Esa es una mejora sólida! En un segundo conjunto de datos más grande (ISIC-2019), la misma estrategia de mezclar el aprendizaje implícito con un grafo kNN (conectando parches similares) elevó la precisión al 60.67%, superando a la versión de solo implícito que se situaba en el 59.84%.

Los investigadores también probaron un escenario de "¿qué pasaría si?": ¿qué pasaría si la computadora no pudiera aprender de los mensajes y simplemente usara un mapa fijo y preestablecido? Cuando "congelaron" la parte de aprendizaje de la red de grafos, el rendimiento se desplomó hasta el 34.28%. Esto sugiere que la computadora necesita aprender activamente cómo se relacionan los parches entre sí; no basta con tener el mapa. El proceso de aprendizaje es lo que marca la diferencia.

Por qué es importante

El artículo sugiere que la salsa secreta no es solo tener más datos o computadoras más grandes, sino cómo conectas los puntos. Al combinar la capacidad de una computadora para aprender patrones por su cuenta (implícito) con una forma estructurada de comparar diferentes partes de una imagen (explícito), crearon un sistema que es más preciso que muchos métodos anteriores. De hecho, su modelo individual funcionó casi tan bien como algunos métodos de "ensamble" masivos que combinan las predicciones de hasta 90 modelos complejos.

Los autores concluyen que este enfoque es una forma prometedora de manejar imágenes médicas, donde la relación entre las diferentes partes de una lesión es crucial. Encontraron que, si bien el aprendizaje implícito proporciona una gran base, añadir el modelado relacional explícito le da a esa base un techo resistente. Es un recordatorio de que, en el mundo de la IA, a veces necesitas enseñarle a la computadora no solo qué mirar, sino cómo pensar sobre las conexiones de lo que ve.

Resumen Técnico: Integración de Sesgos Relacionales Implícitos y Explícitos en el Diagnóstico de Lesiones Cutáneas

Planteamiento del Problema
El análisis de imágenes médicas suele tener dificultades para capturar eficazmente las dependencias estructurales entre las entidades de los datos. Mientras que las redes neuronales convolucionales profundas (CNN) modelan implícitamente las dependencias espaciales a través de campos receptivos jerárquicos, y los enfoques basados en superpíxeles modelan regiones explícitamente mediante Redes Neuronales de Grafos (GNN), persiste una brecha en la comprensión de cómo integrar mejor estos paradigmas. Específicamente, no está claro si el modelado relacional durante la extracción de características es suficiente, o si la combinación con una agregación basada en grafos explícitos proporciona beneficios adicionales para las tareas de diagnóstico descendente. Además, la limitada disponibilidad de datos médicos anotados exige estrategias de aprendizaje de representaciones robustas que no dependan únicamente del ajuste fino supervisado o de aumentos de datos que puedan distorsionar características clínicamente relevantes.

Metodología
El estudio propone un marco relacional de doble nivel para la clasificación de imágenes, evaluado mediante el diagnóstico de lesiones cutáneas utilizando los conjuntos de datos ISIC-2018 e ISIC-2019. La metodología sigue un flujo de trabajo unificado que comprende tres etapas principales:

Aprendizaje de Representación de Parches Auto-supervisado:
En lugar del entrenamiento estándar de extremo a extremo, los autores emplean un Autoencoder Convolucional Enmascarado (ConvMAE) con un backbone ViT. Las imágenes se descomponen en 14×14 parches no superpuestos (196 en total, de 16×16 píxeles cada uno). El modelo se preentrena mediante el modelado de imágenes enmascaradas, reconstruyendo las regiones enmascaradas para aprender las relaciones inter-parche implícitas sin depender de etiquetas. El codificador se congela tras el preentrenamiento para asegurar un espacio de características consistente para las tareas descendentes.
Línea Base de Aprendizaje de Múltiples Instancias (MIL):
El codificador congelado genera incrustaciones (embeddings) de parches que sirven como una "bolsa de instancias" para un clasificador de MIL basado en atención (AMIL). En esta línea base, los parches se tratan como entidades independientes, y un mecanismo de atención los agrega en una única representación de la imagen. Esto sirve como punto de referencia para el modelado relacional implícito (a través del espacio de incrustación) sin restricciones estructurales explícitas.
Agregación Basada en Grafos Explícitos:
Para introducir sesgos inductivos relacionales explícitos, las incrustaciones de los parches se organizan en topologías de grafos antes de la agregación. Se evalúan tres estrategias de construcción:
- Grafos Aleatorios: Nodos conectados a $r$ vecinos aleatorios.
- Grafos de Rejilla (Grid Graphs): Nodos conectados a vecinos espacialmente adyacentes (vecindad de 4 u 8 vecinos) basados en la disposición original de 14×14.
- Grafos de k-Vecinos más Cercanos (kNN): Nodos conectados basándose en la distancia euclidiana en el espacio de características.
Estos grafos son procesados por Redes Neuronales de Grafos (específicamente, Redes de Atención de Grafos, GAT) para realizar el paso de mensajes, refinando las representaciones de los parches. Las incrustaciones de los nodos resultantes se agregan mediante la misma agrupación de MIL basada en atención utilizada en la línea base.

Contribuciones Clave

Marco de Doble Nivel: El artículo tiende un puente entre el aprendizaje de representación implícita (mediante la reconstrucción enmascarada auto-supervisada) y el modelado estructural explícito (mediante el paso de mensajes basado en grafos).
Análisis Comparativo: Compara sistemáticamente tres paradigros: clasificación estándar basada en CNN, MIL basado en parches auto-supervisado y MIL mejorado con grafos.
Ablación del Aprendizaje Relacional: Al evaluar un entorno de "GNN congelada" (donde los pesos del paso de mensajes son fijos), el estudio aísla el impacto del modelado relacional aprendido del mero aumento de la capacidad del modelo.
Benchmarking: El enfoque es probado rigurosamente en dos benchmarks independientes de lesiones cutáneas (ISIC-2018 e ISIC-2019) utilizando la precisión balanceada como métrica principal.

Resultados
Los resultados experimentales demuestran que la combinación de modelado implícito y explícito produce un rendimiento superior:

ISIC-2018: La línea base EfficientNet-B3 alcanzó un 76.17% de precisión balanceada. La línea base de AMIL auto-supervisado (solo implícito) mejoró esto a un 77.12%. La Red de Atención de Grafos con estructura de Rejilla totalmente integrada logró el desempeño más alto con un 79.27%. Notablemente, congelar las capas de la GNN causó una caída significativa en el rendimiento (a 34.28%), confirmando que el paso de mensajes aprendido es crítico.
ISIC-2019: El enfoque AMIL implícito alcanzó un 59.84%, mientras que la combinación con un grafo kNN (k=4) y capas GAT logró un 60.67%.
Comparación: El enfoque de modelo único propuesto supera a los métodos previos de aprendizaje profundo de modelo único y se mantiene competitivo con métodos de ensambles complejos (por ejemplo, ensambles de 25 a 90 modelos) en ISIC-2018, logrando resultados sólidos en ISIC-2019 sin necesidad de ensambles.

Significancia y Afirmaciones
Los autores afirman que el estudio destaca los roles complementarios del modelado relacional implícito y explícito en la clasificación basada en parches. Los resultados sugieren que la información relacional puede codificarse eficazmente durante el preentrenamiento auto-supervisado y mejorarse posteriormente mediante el modelado de grafos explícitos. El marco demuestra capacidades de generalización sólidas, ofreciendo una guía para diseñar arquitecturas eficientes que no dependan de ensambles masivos. Los autores enfatizan que su enfoque proporciona una base robusta para el análisis de imágenes médicas, particularmente en escenarios donde la integración de claves visuales distribuidas espacialmente es esencial para un diagnóstico preciso.

Más como este