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

Resumo Técnico: Aprendizado por Transferência de um Câncer para Outro via Aprendizado Profundo de Adaptação de Domínio

Definição do Problema
Modelos de aprendizado profundo supervisionados em histopatologia do câncer frequentemente alcançam alta precisão dentro de sua distribuição de treinamento específica, mas falham em generalizar para tipos de câncer ou locais anatômicos relacionados, porém não vistos. Essa limitação decorre do "deslocamento de domínio" (domain shift), causado por variações em protocolos de coloração, arquitetura tecidual, resolução e modalidades de imagem entre diferentes órgãos. Embora os adenocarcinomas de diferentes órgãos (ex: pulmão, cólon, mama, rim) compartilhem características morfológicas centrais, como estruturas glandulares e atipia nuclear, os classificadores padrão têm dificuldade em aproveitar essas características compartilhadas sem adaptação explícita. Além disso, a escassez de imagens médicas anotadas em certos domínios exacerba a necessidade de métodos que possam transferir o conhecimento de domínios de origem bem rotulados para domínios de destino não rotulados.

Metodologia
Os autores avaliam a viabilidade de transferir o conhecimento de classificação de câncer entre quatro tipos de adenocarcinoma: mama, cólon, pulmão e rim. O estudo utiliza uma arquitetura de Rede Neural Adversária de Domínio (DANN - Domain Adversarial Neural Network) construída sobre um extrator de características ResNet-50.

• Preparação de Dados: O estudo utiliza o Multi Cancer Dataset do Kaggle. Para lidar com inconsistências de rótulos entre os tipos de câncer, os autores binarizam todos os sub-rótulos em duas classes: Normal/Benigno (0) e Maligno (1). Uma distinção crítica é feita entre as modalidades de imagem: os dados de mama, pulmão e cólon consistem em imagens de histopatologia (nível celular), enquanto os dados de rim consistem em exames de TC (nível de órgão).
• Arquitetura e Treinamento: O modelo DANN consiste em um extrator de características, um ramo de predição de classe e um ramo de classificação de domínio.
  • Função de Perda: A perda total combina uma perda de classificação (Entropia Cruzada com pesos por instância) nos dados rotulados de origem e uma perda de adaptação de domínio adversária (Entropia Cruzada Binária) nos dados de origem e de destino.
  • Reversão de Gradiente: Uma Camada de Reversão de Gradiente (GRL - Gradient Reversal Layer) é aplicada ao ramo de domínio durante a retropropagação. Esta camada nega os gradientes, forçando o extrator de características a aprender representações invariantes ao domínio que confundam o classificador de domínio, mantendo a precisência de classificação no domínio de origem.
  • Escalonamento de Lambda: O peso da perda de adaptação de domínio ($\lambda$) segue um cronograma parabólico crescente, começando em 0 para priorizar o aprendizado de classificação e aumentando para 1 para priorizar a adaptação de domínio ao final do treinamento.
• Design Experimental:
  1. Baseline: Modelos supervisionados de domínio único treinados em um tipo de câncer e testados em todos os outros.
  2. Ensemble: Ensembles de modelos supervisionados do tipo leave-one-out para testar se a combinação de características melhora a generalização.
  3. Adaptação de Domínio: Modelos DANN treinados em domínios de origem rotulados e adaptados para domínios de destino não rotulados.
  4. Normalização de Coloração: Experimentos comparando o desempenho do DANN com e sem normalização de coloração para avaliar seu impacto na redução do gap de domínio.
  5. Explicabilidade: Gradientes Integrados são usados para gerar mapas de atribuição ao nível de pixel, verificando se o modelo foca em características biologicamente relevantes (ex: núcleos densamente compactados).

Principais Resultados

• Limitações de Baseline e Ensemble: Modelos supervisionados padrão treinados em um único domínio alcançaram >98% de precisão em seu próprio domínio, mas mostraram generalização mínima para os demais (frequentemente próxima ao acaso, ~50%). Métios de ensemble não resolveram essa limitação, com a precisão de cruzamento de domínio permanecendo baixa (50%–62,3%).
• Desempenho DANN (Sem Normalização de Coloração):
  • Alvo Pulmão: Ao adaptar a partir de dados rotulados de mama e cólon para dados não rotulados de pulmão, o DANN alcançou 95,56% de precisão (excluindo dados de rim).
  • Alvo Cólon: A adaptação para o domínio do cólon resultou em 78,48% de precisão.
  • Alvo Mama: A adaptação para o domínio da mama resultou em 49,22% de precisão (próximo ao acaso).
  • Alvo Rim: A inclusão de dados de rim (TC) como domínio de destino resultou em baixo desempenho (41,10%), atribuído à significativa diferença de modalidade entre TC e histopatologia.
• Impacto da Normalização de Coloração: O efeito da normalização de coloração foi altamente variável:
  • Mama e Cólon: A normalização de coloração melhorou significativamente o desempenho, elevando a precisão da mama de 49,22% para 81,29% e a do cólon de 78,48% para 83,36%.
  • Pulmão: Inversamente, a normalização de coloração degradou o desempenho do pulmão, reduzindo a precisão de 95,56% para 66,60%.
• Explicabilidade: Os Gradientes Integrados revelaram que o DANN consistentemente atribuiu alta importância a núcleos densamente compactados, uma característica biologicamente significativa usada por patologistas para o diagnóstico. Isso confirma que o modelo aprende características clinicamente relevantes em vez de correlações espúrias.

Significância e Alegações
O artigo alega demonstrar que a adaptação de domínio não supervisionada pode transferir efetivamente as capacidades de classificação de câncer de conjuntos de dados de histopatologia rotulados de um órgão (ex: mama, cólon) para conjuntos de dados não rotulados de outro (ex: pulmão), alcançando alta precisão (>95%) sem exigir rótulos do domínio de destino.

As principais conclusões enfatizadas pelos autores incluem:

1. Viabilidade de Transferência Entre Órgãos: Apesar dos deslocamentos de domínio, as características morfológicas compartilhadas dos adenocarcinomas permitem uma transferência de conhecimento bem-sucedida quando se utiliza adaptação adversária, superando o simples ensembling.
2. Sensibilidade de Modalidade: Misturar modalidades de imagem (histopatologia vs. TC) é prejudicial à adaptação; o modelo apresenta melhor desempenho quando os domínios de origem e destino compartilham a mesma escala e técnica de imagem.
3. Normalização de Coloração Dependente de Contexto: A normalização de coloração não é uma solução universal; ela auxilia a adaptação para alvos de mama e cólon ao reduzir a variabilidade de cor, mas prejudica o desempenho para alvos de pulmão, sugerendo que características de coloração podem ser informativas para distinguir o adenocarcinoma de pulmão neste contexto específico.
4. Confiança via Explicabilidade: O uso de Gradientes Integrados fornece evidência visual de que o modelo depende de estruturas biologicamente plausíveis (núcleos), oferecendo um caminho para construir confiança em modelos adaptados de domínio para tarefas médicas sensíveis.

Os autores concluem que, embora o DANN seja uma ferramenta poderosa para mitigar a escassez de rótulos em oncologia, seu sucesso depende fortemente da compatibilidade das modalidades de imagem e das características específicas do domínio de destino, exigindo uma avaliação cuidadosa de etapas de pré-processamento como a normalização de coloração.