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

Technische Samenvatting: Voorspellen van Metastatisch Risico via Afstand-bewuste Ruimtelijke Modellering

Probleemstelling
Het voorspellen van het risico op metastasen op afstand vanuit de histologie van de primaire tumor is een kritieke uitdaging in de computationele pathologie. Hoewel deep learning de diagnose van Whole Slide Images (WSI) heeft gevorderd, richten huidige Multiple Instance Learning (MIL) benaderingen zich primair op detectie (het identificeren van de aanwezigheid van tumoren) in plaats van op prognostische risicobeoordeling. Standaard MIL-modellen behandelen WSI's als "bags of patches", waarbij kenmerken van ongeordende tegels worden geaggregeerd. Dit paradigma negeert de ruimtelijke lay-out en de geometrische relaties tussen weefselcomponenten. De auteurs stellen dat metastatisch potentieel niet alleen wordt gedefinieerd door de aanwezigheid van maligne cellen, maar door de specifieke geometrische ordening van het tumor micro-environment (TME), inclusioneel de nabijheid van tumorcellen tot stroma-interfaces, vasculaire structuren en immuuninfiltraten. Bestaande methoden, inclusief aandacht-gebaseerde en graaf-gebaseerde modellen, falen in het expliciet kwantificeren van deze hogere-orde fenotypische patronen en ruimtelijke interacties, zoals de afstand van een tumorcel tot een vasculaire structuur.

Methodologie: DTMf-MIL
Het artikel stelt Distance-aware Tissue Modeling for Multiple Instance Learning (DTMf-MIL) voor, een framework dat visuele kenmerken versterkt met expliciete ruimtelijke priors afgeleid van weefselfenotypen. De pijplijn bestaat uit drie hoofdfasen:

1. Ongesuperviseerde Weefselsegmentatie:
   Om een structurele baseline te vestigen zonder pixel-niveau annotaties te vereisen, genereert het model eerst een fenotypische kaart van het weefsel. Dit wordt bereikt via ongesuperviseerde K-means clustering op patch-niveau kenmerken over het gehele trainingscorpus. Alternatief kunnen zero-shot semantische labels worden gegenereerd met behulp van het multimodale CONCH-model door de visuele-tekst gelijkenis te evalueren tegen patholoog-gesuggereerde morfologische prompts. Deze methoden partitioneren de WSI in $K$ verschillende fenotypische regio's (bijv. tumornesten, stroma, lymfocyten).

2. Afstand-bewuste Ruimtelijke Codering:
   Voor elke geïdentificeerde fenotypische cluster $k$ berekent het model een Signed Distance Function (SDF). Dit zet discrete cluster-to assignments om in continue afstandskaarten, die de fysieke diepte van elke patch met betrekking tot de grenzen van elke fenotypische regio meten. De SDF wordt versterkt door drie specifieke descriptoren:

   • Multi-Scale Radial Basis Functions (RBF): Een set RBF's met variërende decay-parameters wordt toegepast op de SDF-waarden om ruimtelijke relaties op verschillende schalen te vangen, van lokale buurtinteracties tot globale weefselstructuren.
   • Lokale Morfologische Gradiënten: Sobel-operators worden gebruikt om de directionele gradiënten van de SDF-kaart te berekenen, wat de kritieke transitiezones en de richting van fenotypische veranderingen expliciet accentueert.
   • Lokale Statistische Momenten: Het gemiddelde en de standaarddeviatie van de SDF's binnen een lokaal venster worden berekend om weefselheterogeniteit en dispersie te karakteriseren.

   Deze descriptoren worden geconcateneerd om een hoog-dimensionale ruimtelijke vector ($s_i \in \mathbb{R}^{14K}$) voor elke patch te vormen, die de positie van deze patch ten opzichte van alle weefselfenotypen representeert.

3. MIL Integratie:
   Het model verwerkt paren van visuele kenmerken ($x_i$) en ruimtelijke descriptoren ($s_i$). De ruimtelijke vectoren worden geprojecteerd via een Multi-Layer Perceptron (MLP) om overeen te komen met de dimensie van de visuele kenmerken. Deze worden vervolgens geconcateneerd met positie-gecodeerde visuele kenmerken. Ten slotte aggregeert een gated attention module (vergelijkbaar met ABMIL) deze gezamenlijke visuele-ruimtelijke embeddings om een slide-niveau voorspelling van het metastatisch risico te produceren.

Kernbijdragen

1. Fenotypische Lay-out Modellering: Introductie van een ongesuperviseerd segmentatiemechanisme dat WSI's partitioneert in onderscheidende fenotypische regio's, wat dient als basis voor het extraheren van geometrische descriptoren zonder handmatige annotatie.
2. Afstand-bewuste Ruimtelijke Codering: Ontwikkeling van een ruimtelijke embedding module afgeleid van SDF's die expliciet het model dwingt om de lay-out van invasie en de nabijheid van tumorcellen tot kritieke interfaces te leren.
3. Prestatievalidatie: Demonstratie dat het integreren van ruimtelijke priors de metastase-voorspelling op een Veterans Administration (VA) dataset significant verbetert en de prestaties op publieke benchmarks (PANDA, Camelyon16, TCGA-NSCLC) verhoogt.

Experimentele Resultaten
De auteurs evalueerden DTMf-MIL tegen vijf state-of-the-art MIL-modellen (ABMIL, RRT-MIL, ILRA, DS-MIL, TransMIL) gebruikmakend van ResNet50, CONCH, en UNI backbones.

• VA-Dataset (Metastatisch Risico): DTMf-MIL presteerde consequent beter dan de baselines. Gebruikmakend van de UNI backbone, behaalde het een AUC van 74.14, Accuraatheid van 82.14, en F1-score van 76.92, waarmee het de op één na beste methode (RRT-MIL met UNI: AUC 76.19, Acc 72.56, F1 69.70) overtrof.
• PANDA (Prostaat Grading): Op de multi-class grading taak behaalde DTMf-MIL de hoogste accuratheid (81.98 met UNI) en QWK (76.96).
• Publieke Benchmarks: Het model toonde competitieve prestaties op Camelyon16 (lymfeklier metastase detectie) en TCGA-NSCLC (subtypering), wat de generaliseerbaarheid van ruimtelijke priors over diverse klinische taken bevestigt.
• Ablatie Studies: Experimenten identificeerden $K=5$ als het optimale aantal weefselclusters. Bovendien resulteerde het verwijderen van de ruimtelijke priors (DTMf w/o PEG) in lagere prestaties vergeleken met het volledige model, wat de bijdrage van de geometrische codering valideert.

Betekenis en Claims
Het artikel claimt dat DTMf-MIL het eerste MIL-framework is dat fenotypische afstandvelden gebruikt als expliciete ruimtelijke priors voor metastatische risicovoorspelling. De auteurs stellen dat door WSI-analyse te verschuiven van een "bag-of-features" classificatie naar een ruimtelijke codering, het model de biologische drijfveren van metastase kan vangen die gedefinieerd worden door weefselarchitectuur in plaats van enkel celpresentie. De door het model gegenereerde ongesuperviseerde fenotypische kaarten komen overeen met morfologisch betekenisvolle entiteiten, wat de verklaarbaarheid voor pathologen verbetert. Het werk suggereert dat het expliciet modelleren van de geometrische context van het tumor micro-environment MIL-modellen in staat stelt om een prognostische nauwkeurigheid te bereiken die de methoden overtreft die de ruimtelijke lay-out negeren, wat potentieel klinische redeneervermogens oproept die de huidige standaarden overstijgen.