🧬 biology

KHiM-Mamba: Injecting Pathology Knowledge into Mamba via Hidden-State Modulation for Whole Slide Image Analysis

KhiM-Mamba es una novedosa arquitectura de aprendizaje de múltiples instancias que mejora el análisis de imágenes de portaobjetos completos al integrar el conocimiento patológico y descripciones semánticas derivadas de LLM para modular los estados ocultos de Mamba, evitando así la acumulación de información irrelevante y logrando un rendimiento de vanguardia en diversas tareas diagnósticas.

Autores originales: Qixiang Zhang, Yi Li, Tianqi Xiang, Haonan Wang, Mengjiao Wei, Bo Xu, Xiaomeng Li

Publicado 2026-08-18

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Qixiang Zhang, Yi Li, Tianqi Xiang, Haonan Wang, Mengjiao Wei, Bo Xu, Xiaomeng Li

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

En el mundo de la medicina moderna, la herramienta más crítica de un patólogo es una lámina de vidrio que contiene una diminuta muestra de tejido humano, magnificada hasta que revela la arquitectura celular de la vida y la enfermedad. Hoy en día, estas láminas se escanean en imágenes digitales masivas, tan grandes que contienen miles de millones de píxeles, demasiado vastas para que el ojo humano las examine de un solo vistazo. Para ayudar a los médicos a navegar por estos paisajes digitales, los científicos han desarrollado sistemas de inteligencia artificial que acten como asistentes incansables. Estos sistemas dividen la imagen gigante en miles de piezas pequeñas y manejables, analizan la textura y la forma de las células en cada pieza y luego intentan armar un diagnóstico global. El desafío radica en la escala absoluta y el ruido; una sola lámina puede contener millones de células, pero solo unos pocos grupos dispersos poseen la clave de un diagnóstico, mientras que el resto es tejido sano o fondo irrelevante. Si la computadora se distrae con la vasta cantidad de información sin importancia, puede perder las pistas críticas ocultas en las esquinas.

Los investigadores se han vuelto recientemente hacia un nuevo tipo de arquitectura de inteligencia artificial, inspirada en cómo el cerebro humano procesa secuencias de información a lo largo del tiempo, para manejar estas enormes láminas digitales. Esta tecnología es excelente para recordar lo que vio anteriormente en una secuencia larga y decidir qué mantener en la memoria a medida que avanza. Sin embargo, un equipo de científicos de Hong Kong y Chongqing descubrió un fallo en cómo se estaban utilizando estos sistemas. Encontraron que, cuando estos modelos de IA escaneaban una lámina, dependían enteramente de cómo se veían los píxeles. Si una lámina había sido teñida con un color de tinte ligeramente diferente —una variación común en los laboratorios—, el modelo podría confundirse, tratando un cambio de color inofensivo como una pista médica significativa. Esto causaba que el sistema acumulara detalles irrelevantes en su memoria, diluyendo la evidencia crítica necesaria para un diagnóstico. Para resolver esto, los investigadores introdujeron un nuevo método que inyecta conocimiento médico real directamente en el proceso de memoria de la IA, enseñando al sistema a ignorar el ruido y concentrarse en lo que realmente importa.

El equipo, liderado por investigadores de la Universidad de Ciencia y Tecnología de Hong Kong y la Universidad de Chongqing, desarrolló un sistema que llaman KHiM-Mamba. En lugar de dejar que la IA decida por sí misma qué recordar mientras escanea una lámina, le entregaron una guía escrita en el lenguaje de la patología. Esta guía contiene descripciones específicas de cómo se ven diferentes tipos de tejidos cuando están sanos o enfermos. A medida que la IA se mueve de una pequeña pieza de la lámina a la siguiente, consulta esta guía para decidir qué información vale la pena almacenar en su memoria y qué debe ser descartado. Imagine a un bibliotecario que, mientras clasifica una pila masiva de libros, recibe una lista específica de títulos para conservar y una lista de títulos para ignorar; el bibliotecario ya no tiene que adivinar cuáles son los libros importantes. En este caso, el "bibliotecario" es la IA, los "libros" son los diminutos parches de imagen y la "lista" es el conocimiento médico proporcionado por un modelo de lenguaje de gran tamaño.

Los investigadores encontraron que los intentos previos de usar el lenguaje para ayudar a la IA a diagnosticar láminas eran a menudo demasiado indirectos. Esos métodos utilizaban el lenguaje para elegir qué láminas observar antes de que comenzara el análisis, o para verificar la respuesta final después. El nuevo enfoque es diferente porque cambia el mecanismo central de cómo piensa la IA. Modifica los procesos internos de "escritura" y "lectura" del sistema de memoria. Cuando la IA escribe un nuevo recuerdo, el conocimiento médico le indica que se concentre en formas y patrones específicos asociados con la enfermedad, en lugar de solo en los colores o texturas que podrían ser engañosos. Cuando la IA lee de su memoria para tomar una decisión, el conocimiento la guía para recuperar la evidencia más relevante acumulada hasta el momento. Esto asegura que el sistema construya una representación de la lámina basada en conexiones médicamente significativas, en lugar de distraerse con variaciones visuales irrelevantes.

Para que esto funcione, el equipo creó un sistema inteligente que genera las descripciones médicas adecuadas para cada parte específica de la lámina. Dado que una sola lámina contiene muchos tipos diferentes de tejido, una descripción genérica no es suficiente. El sistema utiliza un modelo de lenguaje potente para observar un pequeño parche de tejido, identificar qué tipo de tejido es y luego generar una descripción precisa y detallada de cómo debería verse ese tejido si estuviera sano o enfermo. Si el sistema no está seguro del tipo de tejido, recurre a una descripción más amplia y segura para evitar cometer errores. Este proceso dinámico asegura que la IA reciba la guía más precisa y específica posible para cada una de las piezas del rompecabezas que está resolviendo.

Los resultados de este enfoque fueron probados a través de once conjuntos de datos públicos que involucran varios tipos de cáncer y resultados de pacientes. El nuevo sistema superó consistentemente a los mejores métodos existentes. En tareas donde la IA tenía que distinguir entre diferentes subtipos de cáncer de mama, logró una precisión mayor que cualquier modelo anterior. Al predecir los tiempos de supervivencia de los pacientes basados en muestras de tejido, proporcionó evaluaciones de riesgo más confiables, separando mejor a los pacientes en grupos de alto y bajo riesgo. Quizás lo más importante es que el sistema demostró ser robusto al ser probado con láminas de diferentes hospitales que utilizaban diferentes técnicas de tinción. Mientras que otros modelos luchaban con estas variaciones, fallando a menudo cuando los colores cambiaban ligeramente, el nuevo sistema mantuvo su alto rendimiento. Esto sugiere que, al fundamentar la IA en el conocimiento médico en lugar de solo en patrones visuales, aprendió a ver la enfermedad misma, no solo la apariencia de la lámina.

El estudio también analizó qué tan bien funciona el sistema cuando tiene muy pocos datos para aprender, un problema común en la medicina donde los ejemplos etiquetados son escasos. En pruebas donde la IA solo recibió ocho o dieciséis ejemplos de una enfermedad para aprender, el nuevo método superó significativamente a sus competidores. Esto indica que el conocimiento médico inyectado en el sistema actúa como un fundamento sólido, permitiéndole aprender eficazmente incluso con un mínimo de datos de entrenamiento. Los investigadores también confirmaron que añadir esta capa de conocimiento no ralentizó el sistema ni lo hizo demasiado grande para ejecutarse en hardware de computación estándar. El sistema se mantuvo rápido y eficiente, capaz de procesar miles de parches de imagen en segundos.

Al repensar cómo la inteligencia artificial procesa las imágenes médicas, este trabajo demuestra que combinar datos visuales con conocimiento médico explícito crea una herramienta de diagnóstico más confiable y precisa. Los investigadores demostraron que la clave para resolver el problema de los datos masivos y ruidosos no es solo construir computadoras más grandes, sino enseñar a la computadora qué buscar. Este enfoque ofrece un nuevo camino hacia adelante para la patología computacional, donde el objetivo es asistir a los médicos filtrando lo irrelevante y resaltando lo crítico, asegurando que el diagnóstico final se base en la evidencia más sólida posible.

Resumen Técnico: KHiM-Mamba

Planteamiento del Problema

El análisis de imágenes de portaobjetos completos (WSI, por sus siglas en inglés) en patología computacional se formula típicamente como Aprendizaje de Instancias Múltiples (MIL), donde un portaobjetos se descompone en parches, y un "codificador de portaobjetos" agrega las características de los parches en una representación a nivel de portaobjetos. Este proceso, denominado dinámica de codificación de porta-objetos, es crítico porque la evidencia diagnóstica suele estar distribuida en regiones de tejido distantes.

Recientemente, los Modelos de Espacio de Estados (SSM) Selectivos, específicamente Mamba, han emergido como arquitecturas eficientes para esta tarea debido a su capacidad para modelar secuencias largas con complejidad lineal. Sin embargo, los autores identifican una limitación fundamental en los métodos actuales basados en Mamba: dependen únicamente de características visuales durante las transiciones de estado selectivas. En los WSI a gran escala, donde las regiones decisivas para el diagnóstico están rodeadas de abundante información irrelevante (por ejemplo, variaciones de tinción, tejido de fondo), las dinámicas puramente impulsadas por la visión pueden asignar erróneamente las actualizaciones de estado. Esto causa que el estado oculto en evolución acumule evidencia irrelevante para la tarea y diluya las señales diagnósticas críticas a lo largo de trayectorias de escaneo largas.

Aunque existen métodos de MIL basados en Modelos de Visión-Lenguaje (VLM), estos típicamente tratan el lenguaje como un complemento externo (por ejemplo, para la selección de parches o supervisión auxiliar) en lugar de integrarlo en la dinámica central de codificación. En consecuencia, la limitación de las transiciones de estado puramente visuales permanece sin resolver.

Metodología: KHiM-Mamba

Los autores proponen KHiM-Mamba (Modulación de Estado Oculto Consciente del Conocimiento), un marco que inyecta conocimientos previos de patología explícitos directamente en el mecanismo central de espacio de estados selectivo de Mamba. La arquitectura consta de dos componentes principales:

1. Modulación de Estado Oculto Consciente del Conocimiento (KHiM)

En lugar de utilizar el lenguaje como una señal periférica, KHiM-Mamba rediseña la capa SSM para modular la evolución del estado oculto utilizando conocimiento derivado del lenguaje.

Mecanismo: La recurrencia estándar de Mamba involucra matrices de proyección de entrada ( $B_t$ ) y de salida ( $C_t$ ) que controlan cómo la información se escribe y se lee del estado oculto ( $h_t$ ).
Modulación: Los autores introducen un mecanismo de modulación de bajo rango donde los embeddings de lenguaje ( $e_t$ $e_{t}$ ) generan vectores de coeficientes ( $\alpha_B, \alpha_C$ $α_{B}, α_{C}$ ) a través de un MLP. Estos coeficientes se utilizan para crear incrementos de bajo rango ( $\Delta B_t, \Delta C_t$ $Δ B_{t}, Δ C_{t}$ ) que se añaden a las matrices de proyección originales.
- Modulación de Escritura ( $\tilde{B}_t$ ): Guía qué evidencia visual se incorpora al estado oculto en evolución, fomentando la acumulación de características relevantes para el diagnóstico mientras atenúa las irrelevantes.
- Modulación de Lectura ( $\tilde{C}_t$ ): Guía qué evidencia contextual acumulada se recupera para enriquecer las representaciones de los parches, asegurando que la salida enfatice patrones con significado diagnóstico.
Resultado: Esto reforma la dinámica de "escritura-lectura" del SSM sin alterar su comportamiento de decaimiento temporal, haciendo que el mecanismo selectivo sea "consciente del diagnóstico".

2. Módulo de Recuperación de Vocabulario Adaptativo Local

Para proporcionar priors de lenguaje efectivos para la modulación, los autores diseñan un módulo que evita los prompts globales fijos.

Proceso:
1. Generación de Conceptos: Se le proporciona a un Modelo de Lenguaje Grande (LLM) la definición de la tarea para generar un conjunto de conceptos de tejido relevantes para la tarea (por ejemplo, tipos específicos de tumores) y sus descripciones morfológicas detalladas.
2. Enrutamiento con Compuerta de Confianza: Para cada parche, un modelo de visión-lenguaje (CONCH) calcula la similitud entre el embedding de la imagen del parche y los embeddings de texto de los conceptos.
3. Asignación Adaptativa: Si la similitud con un concepto de tejido específico supera un umbral y el margen sobre otros conceptos es suficiente, el parche se asigna un lenguaje de grano fino y específico del tejido. De lo contrario, recurre a una descripción patológica de grano grueso para evitar introducir priors ruidosos.
Resultado: Esto produce señales de modulación que son semánticamente precisas y robustas a través de diversas composiciones de tejido.

Contribuciones Clave

Identificación de una Limitación: El artículo destaca que los métodos de MIL basados en Mamba sufren de transiciones de estado puramente impulsadas por la visión que acumulan evidencia irrelevante en secuencias largas de WSI, y que los métodos VLM-MIL existentes no abordan esto porque no intervienen en la dinámica de codificación central.
Innovación Arquitectónica: KHiM-Mamba se presenta como el primer trabajo en reformar la dinámica interna del modelo de Mamba para el análisis de WSI mediante la inyección de conocimientos previos directamente en las transiciones de estado selectivas (matrices de escritura y lectura), en lugar de usar Mamba como un backbone estático.
Recuperación de Vocabulario Adaptativo Local: La propuesta de un módulo que asigna dinámicamente lenguaje de grano fino y específico del tejido a los parches mediante LLMs, proporcionando señales de modulación precisas a través de diversos procesos de tareas descendentes.
Desempeño Empírico: Experimentos extensos demuestran un desempeño de estado del arte (SOTA) en múltiples tareas y conjuntos de datos.

Resultados Experimentales

Los autores evaluaron KHiM-Mamba en 11 benchmarks públicos a través de cuatro tareas: subtipificación de cáncer, predicción de supervivencia, adaptación de dominio y aprendizaje de pocos disparos (few-shot learning).

Subtipificación de Cáncer:
- Dataset BRACS: Logró precisión SOTA (0.5874) y AUC (0.8746) en la tarea de 7 clases detallada, y los mejores resultados en la tarea de 3 clases, superando los mejores resultados previos en aproximadamente un 1.77% y 2.41% respectivamente.
- TCGA-BRCA: Logró una precisión de 0.9330 y un AUC de 0.9559, mejorando la precisión previa más alta en un 1.97% y el AUC en un 1.01%.
Predicción de Supervivencia:
- Evaluado en seis subconjuntos de TCGA (BLCA, BRCA, KIRC, KIRP, LUAD, STAD). KHiM-Mamba alcanzó un C-Index medio de 0.7394, superando al mejor anterior (2DMamba) en un 2.31%.
- Las curvas de Kaplan-Meier mostraron una separación significativamente más nítida entre los grupos de alto y bajo riesgo, con valores de log-rank $p$ notablemente más bajos (por ejemplo, $2.63 \times 10^{-6}$ en LUAD).
Generalización de Dominio (Inter-centro):
- Entrenado en CAMELYON16 y probado en CAMELYON17 (5 centros independientes). KHiM-Mamba logró un AUC medio de 0.9184, superando al mejor anterior (TransMIL) por un 2.27%, demostrando robustez ante variaciones de tinción y de escáner.
Aprendizaje de Pocos Disparos (Few-Shot Learning):
- En configuraciones de 8 y 16 disparos en TCGA-NSCLC, KHiM-Mamba alcanzó un 83.11% de precisión media y un 93.03% de AUC, superando significativamente a otros métodos de MIL y VLM-MIL, indicando un fuerte sesgo inductivo proveniente de la modulación de lenguaje.
Eficiencia:
- El modelo mantiene una complejidad lineal con ~2.2M de parámetros, mostrando tiempos de inferencia comparables o más rápidos que otros métodos basados en Mamba (por ejemplo, PAM, 2DMamba) incluso con secuencias largas (5,000 parches).

Significado y Reivindicaciones

El artículo afirma que KHiM-Mamba aborda una brecha fundamental en la patología computacional al ir más allá de la agregación de características puramente visuales. Al regular explícitamente la evolución del estado oculto con conocimiento diagnóstico, el modelo dirige la acumulación de evidencia hacia regiones con significado patológico, filtrando eficazmente el ruido de fondo irrelevante.

Los autores enfatizan que su enfoque es ortogonal a las estrategias de escaneo existentes (por ejemplo, agrupamiento, escaneo jerárquico) y puede combinarse con ellas. La importancia radica en demostrar que la modulación condicionada por el lenguaje del mecanismo central de espacio de estados es un sesgo inductivo poderoso que mejora la generalización, la robustidad al cambio de dominio y el desempeño en escenarios de escasez de datos, ofreciendo una nueva perspectiva para el diseño de modelos de espacio de estados guiados por el conocimiento.