Riepilogo Tecnico: HERO – Recupero di Evidenze Guidato da Ipotesi dai dati Omici per l'Analisi Multitask del Carcinoma Mammario

Definizione del Problema

La diagnosi del carcinoma mammario richiede la sintesi di evidenze provenienti da immagini whole-slide (WSI) H&E e biomarcatori molecolari (ER/PR/HER2, sottotipo, prognosi). Sebbene i pipeline accoppiati con dati multi-omici possano migliorare la predizione, i pipeline esistenti affrontano tre limitazioni primarie:

1. MIL Debolmente Supervisionata: Si affida a etichette a livello di intero slide dove i meccanismi di attenzione sono post-hoc e non riescono a verificare la sufficienza delle evidenze, spesso evidenziando regioni non diagnostiche a causa dell'eterogeneità intratumorale.
2. Lettori Basati su VLM: Pur rendendo esplicita la lettura, essi spesso si affidano a una guida a livello di prompt piuttosto che a prior di recupero fissi e condizionati molecularmente, portando a un bias verso regioni visivamente salienti ma irrilevanti per l'endpoint.
3. Fusione Multimodale: Tratta gli omici come flussi di feature paralleli o testo appeso, fallendo nel utilizzare gli omici per controllare esplicitamente quali regioni recuperare o per verificare la completezza di tale recupero.

La sfida centrale è il recupero di evidenze consapevole dell'endpoint su WSI gigapixel che assicuri che la morfologia osservata supporti esplicitamente la conclusione molecolare, creando una traccia di evidenza verificabile.

Metodologia: Il Pipeline HERO

HERO (Hypothesis-Driven Evidence Retrieval from Omics) è un pipeline a quattro stadi a ciclo chiuso che tratta l'osservazione omica come un'ipotesi morfologica testabile. Opera in uno spazio di evidenza condiviso a 16 dimensioni ($K=16$).

Stadio 1: Dagli Omici all'Intento e alle Parole Chiave

• Scoring dei Pathway: I vettori di metilazione del DNA ($x_{dna}$) e miRNA ($x_{mirna}$) vengono normalizzati z-score. Gli score dei pathway sono calcolati utilizzando maschere binarie predefinite derivate dai set di geni Hallmark di MSigDB e interazioni miRNA-target validate. Lo scoring mappa l'ipermetilazione e la repressione mediata da miRNA alla down-regulation dei pathway.
• Prior Morfologico ($W$): Una matrice prior sparsa, pesata e con segno fisso ($W \in \mathbb{R}^{K \times P}$) mappa i 50 score dei pathway su 16 assi morfologici (es. attività mitotica, pleomorfismo nucleare, desmoplasia stromale). Questo prior è guidato dalla terminologia WHO e dalle associazioni biologiche (es. E2F/MYC $\to$ proliferazione) ed è mai ottimizzato con etichette di endpoint, garantendo che la mappatura rimanga verificabile e invariante rispetto al folding.
• Generazione dell'Intento: Il vettore di intento $m$ viene generato tramite $m = \ell_2\text{-normalize}(\text{ReLU}(Ws))$. Un comitato di chiamate LLM genera una narrativa molecolare e un set di parole chiave strutturate $Q$ (15–40 termini) basate sui pathway e sugli assi.

Stadio 2: Recupero 10× (da 300 $\to$ Top-64)

• Mining Rappresentativo: La WSI viene codificata con embedding UNI. Il clustering MiniBatchKMeans ($k=300$) le raggruppa per selezionare 300 patch rappresentative che coprano la diversità morfologica globale.
• Captioning e Ranking: Queste 300 patch vengono rivisitate a un ingrandimento 10× e descritte da un VLM (Qwen2.5-VL-7B) utilizzando un prompt strutturato. Un vettorizzatore TF-IDF (adattato per ogni slide) classifica queste didascalie rispetto al set di parole chiave $Q$. Le 64 patch superiori formano il set di evidenze iniziale.

Stadio 3: Gate di Consistenza 20× e Riparazione Guidata dal Deficit

• Vettore di Evidenza Visiva ($v$): Le 64 patch superiori vengono ritagliate a 20×, disposte in un mosaico 8×8 e descritte nuovamente con un focus sulle caratteristiche citologiche. Un vettore di evidenza visiva $v \in \mathbb{R}^K$ viene costruito controllando la presenza di termini di controllo per ciascuno dei 16 assi nelle didascalie.
• Gate di Consistenza: Uno score di similarità del coseno $c = \cos(m, v)$ misura l'allineamento tra l'intento molecolare e l'evidenza visiva.
• Riparazione Guidata dal Deficit: Se $c < \tau_c$ (soglia $\tau_c=0.5$), il sistema identifica gli assi meno supportati ($m - v$). Re-classifica i rappresentanti rimanenti non ancora selezionati in base alla loro capacità di coprire questi deficit, fonde i 32 candidati di riparazione migliori con i 64 originali e esegue un ulteriore passaggio di captioning a 20×. Non avvengono ulteriori round di riparazione.

Stadio 4: Modulo di Diagnosi

Il mosaico finale, la narrativa molecolare e il riepilogo della consistenza vengono forniti a un Qwen2.5-VL-7B sottoposto a fine-tuning LoRA. Il modello produce predizioni JSON strutturate per ER, PR, HER2, sottotipo e rischio. Solo questo stadio è ottimizzato; gli stadi 1–3 rimangono moduli di recupero e verifica fissi.

Contributi Chiave

1. Recupero Guidato dagli Omici: Converte la metilazione del DNA e i miRNA in un vettore di intento pathway-morfologia sparso, consentendo la selezione delle patch consapevole dell'endpoint tramite TF-IDF sulle didascalie strutturate anziché tramite il matching semantico basato su embedding.
2. Gate di Consistenza con Riparazione Deterministica: Introduce un gate del coseno per rilevare mismatch molecolare-visivo. Quando viene rilevato un mismatch, un meccanismo di re-ranking deterministico guidato dal deficit recupera le patch per coprire gli assi morfologici sotto-supportati, limitando il calcolo a un singolo round di riparazione.
3. Robustezza e Verificabilità: Il design limita le chiamate VLM, riduce la dipendenza dal matching semantico "black-box" e assicura che ogni passo di recupero sia lessicalmente verificabile. Il prior fisso $W$ impedisce l'apprendimento di scorciatoie (shortcut learning) e garantisce che la mappatura sia interpretabile.

Risultati Sperimentali

Valutato su TCGA-BRCA (930 WSI, 878 pazienti) con cross-validazione a 5 fold a livello di paziente:

• Prestazioni State-of-the-Art: HERO ha superato tutti i baseline (inclusi SNN, TransMIL, MCAT, SurvPath e agenti basati su VLM) in tutti gli endpoint: ER, PR, HER2, Sottotipo e Rischio.
  • Sono stati osservati guadagni notevoli in HER2 (+0.050 AUC rispetto a SurvPath) e Rischio (+0.030 C-index), dove la morfologia è sparsa ed eterogenea.
• Studi di Ablazione:
  • Meccanismo di Recupero: Sostituire il recupero di HERO con l'attenzione di TransMIL o il campionamento casuale ha degradato significativamente le prestazioni (es. HERO migliora HER2 di +0.090 rispetto a VLM + TransMIL Top-64), confermando che i guadagni derivano dal recupero guidato molecolarmente.
  • Componenti: Rimuovere il gate di consistenza ha ridotto l'AUC di HER2 di 0.043. Il campionamento casuale delle patch ha recuperato solo una frazione delle prestazioni, provando che il re-ranking guidato dal deficit è critico.
  • Sensibilità: Il sistema è robusto alle perturbazioni nel prior $W$ (il rumore/dropout ha causato una degradazione $\le 0.009$), mentre rimescolare le assegnazioni pathway-asse ha causato cali significativi, validando che $W$ codifica una struttura biologica informativa.

Significato e Rivendicazioni

L'articolo afferma che HERO stabilisce un nuovo paradigma in cui i dati omici agiscono non semplicemente come un flusso di feature parallelo, ma come un vincolo di recupero esplicito e un meccanismo di verifica. Chiudendo il ciclo tra ipotesi molecolari ed evidenza visiva, HERO raggiunge un'accuratezza state-of-the-art fornendo al contempo una traccia di evidenza lessicalmente verificabile.

Gli autori notano esplicitamente i limiti:

• La valutazione è limitata alla cross-validazione interna TCGA-BRCA; la robustezza tra diverse istituzioni, scanner e popolazioni non è stata stabilita.
• La checklist a 16 assi è specifica per il carcinoma mammario e richiede un'auditing per altri tipi di tumore.
• Le didascalie VLM rimangono fallibili; sebbene i prompt strutturati rendano l'evidenza ispezionabile, non garantiscono la correttezza patologica.
• Il costo di inferenza è elevato (57s/WSI su 2×A100), rendendo necessario un inferenza VLM multi-stadio più veloce per il deployment clinico.

Il lavoro conclude che mappare gli omici all'intento, recuperare tramite didascalie TF-IDF e verificare l'allineamento tramite un gate del coseno permette di avere un sistema di analisi del carcinoma mammario robusto, interpretabile e ad alte prestazioni.