Predicting Metastatic Risk from Primary Tissue Architecture via Distance-Aware Spatial Modeling

Sintesi Tecnica: Predizione del Rischio Metastatico tramite Modellazione Spaziale Sensibile alla Distanza

Definizione del Problema
Predire il rischio di metastasi a distanza dalla istologia del tessuto tumorale primario è una sfida critica nella patologia computazionale. Sebbene l'apprendimento profondo abbia fatto avanzare la diagnosi delle Whole Slide Image (WSI), gli attuali approcci di Multiple Instance Learning (MIL) si concentrano principalmente sulla rilevazione (identificazione della presenza di tumori) piuttosto che sulla valutazione del rischio prognostico. I modelli MIL standard trattano le WSI come "sacchi di patch", aggregando caratteristiche da tasselli non ordinati. Questo paradigma scarta la disposizione spaziale e le relazioni geometriche tra i componenti tissutali. Gli autori sostengono che il potenziale metastatico non è definito esclusivamente dalla presenza di cellule maligne, ma dalla specifica disposizione geometrica del microambiente tumorale (TME), inclusa la prossimità delle cellule tumorali alle interfacce stromali, alle strutture vascolari e agli infiltrati immunitari. I metodi esistenti, compresi i modelli basati sull'attenzione o sui grafi, non riescono a quantificare esplicitamente questi pattern fenotipici di ordine superiore e le interazioni spaziali, come la distanza di una cellula tumorale da una struttura vascolare.

Metodologia: DTMf-MIL
Il documento propone DTMf-MIL (Distance-aware Tissue Modeling for Multiple Instance Learning), un framework che rinforza le caratteristiche visive con prior spaziali espliciti derivati dai fenotipi tissutali. La pipeline consiste in tre fasi principali:

1. Segmentazione Tissutale Non Supervisionata:
   Per stabilire una base strutturale senza richiedere annotazioni a livello di pixel, il modello genera innanzitutto una mappa fenotipica del tessuto. Ciò viene ottenuto tramite clustering K-means non supervisionato sulle caratteristiche a livello di patch su l'intero corpus di addestramento. In alternativa, etichette semantiche zero-shot vengono generate utilizzando il modello multimodale CONCH, valutando la somiglianza visivo-testuale rispetto a prompt morfologici suggeriti dai patologi. Questi metodi partizionano la WSI in $K$ regioni fenotipiche distinte (ad esempio, nidi tumorali, stroma, linfociti).

2. Codifica Spaziale Sensibile alla Distanza:
   Per ogni cluster fenotipico identificato $k$, il modello calcola una Funzione di Distanza con Segno (SDF - Signed Distance Function). Questo converte le assegnazioni discrete dei cluster in mappe di distanza continue, misurando la profondità fisica di ogni patch rispetto ai confini di ogni regione fenotipica. La SDF è potenziata da tre descrittori specifici:

   • Funzioni di Base Radiale (RBF) Multi-scala: Un insieme di RBF con diversi parametri di decadimento viene applicato ai valori SDF per catturare le relazioni spaziali a diverse scale, dalle interazioni di vicinato locale alle strutture tissutali globali.
   • Gradienti Morfologici Locali: Gli operatori di Sobel vengono utilizzati per calcolare i gradienti direzionali della mappa SDF, evidenziando esplicitamente le zone di transizione critiche e la direzione dei cambiamenti fenotipici.
   • Momenti Statistici Locali: La media e la deviazione standard delle SDF all'interno di una finestra locale vengono calcolate per caratterizzare l'eterogeneità e la dispersione del tessuto.

   Questi descrittori vengono concatenati per formare un vettore spaziale ad alta dimensione ($s_i \in \mathbb{R}^{14K}$) per ogni patch, che rappresenta la sua posizione relativa rispetto a tutti i fenotipi tissutali.

3. Integrazione MIL:
   Il modello elabora tuple di caratteristiche visive ($x_i$) e descrittori spaziali ($s_i$). I vettori spaziali sono proiettati tramite un Perceptron Multistrato (MLP) per corrispondere alla dimensione delle caratteristiche visive. Questi vengono poi concatenati con le caratteristiche visive codificate in posizione. Infine, un modulo di attenzione a porta (simile ad ABMIL) aggrega questi embedding visivo-spaziali congiunti per produrre una predizione a livello di slide del rischio metastatico.

Contributi Chiave

1. Modellazione del Layout Fenotipico: Introduzione di un meccanismo di segmentazione non supervisionata che partiziona le WSI in distinte regioni fenotipiche, fungendo da base per l'estrazione di descrittori geometrici senza annotazione manuale.
2. Codifica Spaziale Sensibile alla Distanza: Sviluppo di un modulo di embedding spaziale derivato dalle SDF che impone esplicitamente al modello di apprendere la disposizione dell'invasione e la prossimità delle cellule tumorali alle interfacce critiche.
3. Validazione delle Prestazioni: Dimostrazione che l'incorporazione di prior spaziali migliora significativamente la predizione della metastasi su un dataset della Veterans Administration (VA) e potenzia le prestazioni su benchmark pubblici (PANDA, Camelyon16, TCGA-NSCLC).

Risultati Sperimentali
Gli autori hanno valutato DTMf-MIL rispetto a cinque modelli MIL allo stato dell'arte (ABMIL, RRT-MIL, ILRA, DS-MIL, TransMIL) utilizzando backbone ResNet50, CONCH e UNI.

• VA-Dataset (Rischio Metastatico): DTMf-MIL ha superato costantemente i baseline. Utilizzando il backbone UNI, ha raggiunto un'AUC di 74.14, un'Accuratezza di 82.14 e un F1-score di 76.92, superando il secondo miglior metodo (RRT-MIL con UNI: AUC 76.19, Acc 72.56, F1 69.70).
• PANDA (Gradazione Prostatica): Nel compito di gradazione multi-classe, DTMf-MIL ha raggiunto la massima accuratezza (81.98 con UNI) e QWK (76.96).
• Benchmark Pubblici: Il modello ha dimostrato prestazioni competitive su Camelyon16 (rilevazione di metastasi in linfonodi) e TCGA-NSCLC (sottotipizzazione), confermando la generalizzabilità dei prior spaziali attraverso diversi compiti clinici.
• Studi di Ablazione: Gli esperimenti hanno identificato $K=5$ come il numero ottimale di cluster tissutali. Inoltre, rimuovendo i prior spaziali (DTMf senza PEG), si è osservata una prestazione inferiore rispetto al modello completo, validando il contributo della codifica geometrica.

Significatività e Rivendicazioni
Il documento afferma che DTMf-MIL è il primo framework MIL a utilizzare campi di distanza fenotipica come prior spaziali espliciti per la predizione del rischio metastatico. Gli autori sostengono che spostando l'analisi delle WSI dalla classificazione "bag-of-features" a un problema di codifica spaziale, il modello può catturare i driver biologici della metastasi definiti dall'architettura tissutale piuttosto che dalla sola presenza cellulare. Le mappe fenotipiche non supervisionate generate dal modello si allineano con entità morfologicamente significative, migliorando la spiegabilità per i patologi. Il lavoro suggerisce che modellare esplicitamente il contesto geometrico del microambiente tumorale permette ai modelli MIL di raggiungere un'accuratezza prognostica che supera i metodi che ignorano la disposizione spaziale, potenzialmente elicitando capacità di ragionamento clinico oltre gli standard attuali.