AdvDINO: Domain-Adversarial Self-Supervised Representation Learning for Spatial Proteomics

Resumo Técnico: AdvDINO

1. O Problema

A aprendizagem auto-supervisionada (SSL) tornou-se uma ferramenta poderosa para aprender representações visuais sem anotações manuais, com modelos como o DINOv2 estabelecendo novos padrões na visão computacional. No entanto, na área de imagem biomédica, especialmente em proteômica espacial (como imagens de imunofluorescência multiplexada - mIF), os métodos SSL padrão enfrentam um desafio crítico: a mudança de domínio (domain shift).

• Efeito de Lote (Batch Effects): Em imagens de lâminas de tecido (WSI), variações sistemáticas na intensidade da coloração, contraste e distribuição de sinal ocorrem entre diferentes amostras devido a variações de execução (run-to-run variability).
• Consequência: Os modelos SSL tradicionais tendem a capturar esses artefatos específicos do domínio (ex: identidade da lâmina) em vez de sinais biológicos verdadeiros. Isso resulta em embeddings que não generalizam bem, dificultando a identificação de fenótipos biológicos robustos e a previsão de desfechos clínicos.

2. Metodologia: AdvDINO

Os autores propõem o AdvDINO, um framework de SSL adaptativo a domínios que integra um discriminador de domínio baseado em reversão de gradiente na arquitetura DINOv2.

• Arquitetura Base: Utiliza um par estudante-professor (Teacher-Student) baseado em Vision Transformer (ViT-L), seguindo o protocolo DINOv2 (com modelagem de imagem mascarada - MIM e destilação de conhecimento).
• Aprendizagem Adversária de Domínio:
  • Um discriminador de domínio (uma MLP leve) é adicionado à saída do codificador estudante.
  • Uma Camada de Reversão de Gradiente (GRL) conecta o codificador ao discriminador.
  • Mecanismo: Durante a propagação direta, a GRL atua como uma função identidade. Durante a retropropagação, ela inverte o sinal do gradiente (multiplica por -1).
  • Objetivo: O discriminador tenta prever a origem do domínio (ex: ID da lâmina) com precisão, enquanto o codificador é treinado para confundir o discriminador, produzindo características que são invariantes ao domínio, mas semanticamente úteis.
• Estratégia de Treinamento:
  • Dados: 435 lâminas de tumores de câncer de pulmão (NSCLC) com 6 canais de marcadores (CD8, FOXP3, PD-L1, PD-1, CK, DAPI), totalizando >5,46 milhões de "tiles" (fragmentos de imagem).
  • Rótulos de Domínio: O ID de cada lâmina (slide) é usado como rótulo de domínio para forçar a invariância entre lâminas.
  • Função de Perda: Combina a perda de destilação do DINOv2, a perda de MIM e a perda adversária de domínio ($L_{total} = \lambda_{distill}L_{distill} + \lambda_{MIM}L_{MIM} + \lambda_{adv}L_{adv}$).

3. Contribuições Principais

1. Framework Híbrido: Integração bem-sucedida de aprendizagem adversária de domínio diretamente no pré-treinamento auto-supervisionado de modelos foundation (DINOv2) para dados de proteômica espacial.
2. Robustez a Artefatos: Demonstração de que o AdvDINO mitiga eficazmente os efeitos de lote específicos de lâminas, aprendendo representações que capturam a biologia do tumor em vez de variações técnicas.
3. Descoberta de Fenótipos: Capacidade de identificar clusters de tiles biologicamente significativos e prognósticos que são compartilhados entre diferentes pacientes, algo que os baselines não adversários falham em fazer consistentemente.
4. Generalização: Validação da eficácia do método em uma coorte independente de câncer de mama, demonstrando aplicabilidade além do câncer de pulmão.

4. Resultados

• Robustez de Domínio:

  • Visualização (UMAP): O DINOv2 padrão mostrou agrupamento estrito por lâmina (alta similaridade intra-lâmina, baixa inter-lâmina). O AdvDINO exibiu uma mistura significativa entre lâminas, indicando invariância de domínio.
  • Métrica (ARI): O Índice Rand Ajustado (ARI) entre os clusters e os IDs das lâminas caiu drasticamente de 0,66 (DINOv2) para 0,037 (AdvDINO), confirmando que os clusters do AdvDINO não são ditados por artefatos de lâmina.

• Associações Proteômicas e Prognósticas:

  • Clustering Não Supervisionado: O modelo identificou clusters com perfis proteômicos distintos.
    • Exemplo: O Cluster 5 mostrou enriquecimento de células imunes (CD8, PD-1) e associação com maior sobrevida.
    • Exemplo: O Cluster 12 mostrou baixa intensidade de marcadores e associação com menor sobrevida.
  • Validação Biológica: Os clusters corresponderam a padrões histológicos reais (ex: agregados linfoides, tecido pulmonar normal, tumores esparsos).

• Previsão de Sobrevivência (ABMIL):

  • Utilizando Aprendizagem de Instância Múltipla com Atenção (ABMIL) sobre os embeddings do AdvDINO, o modelo alcançou um C-index de 0,799 ± 0,034.
  • Isso superou o DINOv2 padrão (0,789) e, significativamente, superou modelos baseados em métricas tradicionais de densidade celular (CoxPH, C-index 0,680).
  • A análise de atenção revelou que o modelo focou em clusters biologicamente relevantes (ex: Cluster 12 em grupos de alto risco).

• Generalização (Câncer de Mama):

  • Aplicado a 218 lâminas de câncer de mama, o AdvDINO reduziu o ARI de 0,44 para 0,12.
  • Identificou 8 clusters significativamente associados ao subtipo Câncer de Mama Triplo Negativo (TNBC), enquanto o DINOv2 padrão não identificou nenhum.

5. Significância e Conclusão

O AdvDINO representa um avanço crucial para a análise de imagens de proteômica espacial e patologia digital. Ao resolver o problema da mudança de domínio sem a necessidade de anotações manuais extensivas, o método permite:

• A extração de biomarcadores espaciais mais robustos e generalizáveis.
• A descoberta de subtipos tumorais e microambientes imunes que seriam mascarados por variações técnicas.
• A aplicação de modelos foundation de IA em cenários clínicos reais, onde a variabilidade de amostragem é a regra, não a exceção.

O trabalho sugere que a incorporação de mecanismos adversários no pré-treinamento é essencial para que a IA médica seja confiável e clinicamente útil em dados multi-fonte e multi-laboratório.