Transfer Learning from One Cancer to Another via Deep Learning Domain Adaptation

Sintesi Tecnica: Transfer Learning da un Cancro all'Altro tramite Deep Learning Domain Adaptation

Definizione del Problema
I modelli di deep learning supervisionati nella patologia istologica oncologica spesso raggiungono un'elevata accuratezza all'interno della loro specifica distribuzione di addestramento, ma falliscono nel generalizzare a tipi di cancro o siti anatomici correlati ma non visti. Questo limite deriva dallo "shift di dominio" (domain shift), causato dalle variazioni nei protocolli di colorazione, nell'architettura tissutale, nella risoluzione e nelle modalità di imaging tra i diversi organi. Sebbene gli adenocarcinomi di diversi organi (ad es. polmone, colon, seno, rene) condividano caratteristiche morfologiche fondamentali come le strutture ghiandolari e l'atipia nucleare, i classificatori standard faticano a sfruttare queste caratteristiche comuni senza un'esplicita adattamento. Inoltre, la scarsità di immagini mediche annotate in determinati domini esacerba la necessità di metodi in grado di trasferire la conoscenza da domini sorgente ben etichettati a domini target non etichettati.

Metodologia
Gli autori valutano la fattibilità del trasferimento della conoscenza di classificazione del cancro attraverso quattro tipi di adenocarcinoma: seno, colon, polmone e rene. Lo studio impiega un'architettura Domain Adversarial Neural Network (DANN) basata su un estrattore di caratteristiche ResNet-50.

• Preparazione dei Dati: Lo studio utilizza il Multi Cancer Dataset di Kaggle. Per affrontare le incongruenze delle etichette tra i diversi tipi di cancro, gli autori binarizzano tutte le sottolabel in due classi: Normale/Benigno (0) e Maligno (1). Viene fatta una distinzione critica tra le modalità di imaging: i dati di seno, polmone e colon consistono in immagini istopatologiche (livello cellulare), mentre i dati del rene consistono in scansioni TC (livello organico).
• Architettura e Addestramento: Il modello DANN è composto da un estrattore di caratteristiche, un ramo di predizione della classe e un ramo di classificazione del dominio.
  • Funzione di Perdita (Loss Function): La perdita totale combina una perdita di classificazione (Cross-Entropy pesata per istanza) sui dati etichettati della sorgente e una perdita di adattamento avversariale del dominio (Binary Cross-Entropy) sia sui dati sorgente che su quelli target.
  • Inversione del Gradiente (Gradient Reversal): Un livello di inversione del gradiente (Gradient Reversal Layer - GRL) viene applicato al ramo del dominio durante la backpropagation. Questo livello nega i gradienti, costringendo l'estrattore di caratteristiche a imparare rappresentazioni invarianti rispetto al dominio che confondano il classificatore del dominio pur mantenendo l'accuratezza di classificazione sul dominio sorgente.
  • Programmazione Lambda (Lambda Scheduling): Il peso della perdita avversariale del dominio ($\lambda$) segue un programma parabolico crescente, partendo da 0 per dare priorità all'apprendimento della classificazione e aumentando fino a 1 per dare priorità all'adattamento del dominio alla fine dell'addestramento.
• Disegno Sperimentale:
  1. Baseline: Modelli supervisionati a dominio singolo addestrati su un tipo di cancro e testati su tutti gli altri.
  2. Ensemble: Ensemble "leave-one-out" di modelli supervisionati per testare se la combinazione di caratteristiche migliori la generalizzazione.
  3. Adattamento del Dominio: Modelli DANN addestrati su domini sorgente etichettati e adattati a domini target non etichettati.
  4. Normalizzazione della Colorazione (Stain Normalization): Esperimenti che confrontano le prestazioni del DANN con e senza normalizzazione della colorazione per valutare il suo impatto sulla riduzione del divario di dominio.
  5. Spiegabilità: Vengono utilizzati i Gradienti Integrati (Integrated Gradients) per generare mappe di attribuzione a livello di pixel, verificando che il modello si concentri su caratteristiche biologicamente rilevanti (ad es. nuclei densamente raggruppati).

Risultati Chiave

• Limiti di Baseline ed Ensemble: I modelli supervisionati standard addestrati su un singolo dominio hanno raggiunto un'accuratezza >98% sul proprio dominio, ma hanno mostrato una minima generalizzazione verso gli altri (spesso vicino al caso casuale, ~50%). I metodi ensemble non hanno risolto questo limite, con l'accuratezza cross-dominio che rimaneva bassa (50%–62,3%).
• Prestazioni DANN (Senza Normalizzazione della Colorazione):
  • Target Polmone: Adattando dai dati etichettati di seno e colon ai dati non etichettati di polmone, il DANN ha raggiunto un'accuratezza del 95,56% (escludendo i dati del rene).
  • Target Colon: L'adattamento al dominio del colon ha prodotto un'accuratezza del 78,48%.
  • Target Seno: L'adattamento al dominio del seno ha portato a un'accuratezza del 49,22% (vicino al caso casuale).
  • Target Rene: L'inclusione dei dati del rene (TC) come dominio target ha portato a scarse prestazioni (41,10%), attribuite alla significativa differenza di modalità tra TC e istopatologia.
• Impatto della Normalizzazione della Colorazione: L'effetto della normalizzazione della colorazione è stato altamente variabile:
  • Seno e Colon: La normalizzazione della colorazione ha migliorato significativamente le prestazioni, portando l'accuratezza del seno dal 49,22% all'81,29% e quella del colon dal 78,48% all'83,36%.
  • Polmone: Al contrario, la normalizzazione della colorazione ha degradato le prestazioni del polmone, facendo scendere l'accuratezza dal 95,56% al 66,60%.
• Spiegabilità: I Gradienti Integrati hanno rivelato che il DANN attribuisce costantemente un'alta importanza ai nuclei densamente raggruppati, una caratteristica biologicamente significativa utilizzata dai patologi per la diagnosi. Ciò conferma che il modello apprende caratteristiche clinicamente rilevanti piuttosto che correlazioni spurie.

Significatività e Rivendicazioni
L'articolo sostiene di dimostrare che l'adattamento del dominio non supervisionato può trasferire efficacementamente le capacità di classificazione del cancro da dataset di istopatologia etichettati di un organo (ad es. seno, colon) a dataset non etichettati di un altro (ad es. polmone), raggiungendo un'elevata accuratezza (>95%) senza richiedere etichette per il dominio target.

I punti chiave enfatizzati dagli autori includono:

1. Fattibilità del Trasferimento Cross-Organo: Nonostante gli shift di dominio, le caratteristiche morfologiche condivise degli adenocarcinomi permettono un trasferimento di conoscenza di successo quando si utilizza l'adattamento avversariale, superando il semplice ensembling.
2. Sensibilità alla Modalità: Mescolare le modalità di imaging (istopatologia vs. TC) è deleterio per l'adattamento; il modello funziona meglio quando i domini sorgente e target condividono la stessa scala di immagine e tecnica.
3. Normalizzazione della Colorazione Dipendente dal Contesto: La normalizzazione della colorazione non è una soluzione universale; aiuta l'adattamento per i target seno e colon riducendo la variabilità del colore, ma danneggia le prestazioni per i target del polmone, suggerendo che le caratteristiche della colorazione possano essere informative per distinguere l'adenocarcinoma del polmone in questo specifico contesto.
4. Fiducia tramite la Spiegabilità: L'uso dei Gradienti Integrati fornisce prove visive che il modello si basa su strutture biologicamente plausibili (nuclei), offrendo un percorso per costruire fiducia nei modelli adattati al dominio per compiti medici sensibili.

Gli autori concludono che, sebbene il DANN sia uno strumento potente per mitigare la scarsità di etichette in oncologia, il suo successo dipende fortemente dalla compatibilità delle modalità di imaging e dalle caratteristiche specifiche del dominio target, richiedendo una valutazione attenta dei passaggi di pre-elaborazione come la normalizzazione della colorazione.