Diffusion Attention Expert Model for Predicting and Semi-automatic Localizing STAS in Lung Cancer Histopathological Images

Resumo Técnico: Modelo Especialista em Atenção de Difusão para Previsão e Localização Semi-automática de STAS em Imagens Histopatológicas de Câncer de Pulmão

Declaração do Problema
A disseminação através de espaços aéreos (STAS) é um padrão invasivo crítico no adenocarcinoma de pulmão, caracterizado por clusters micropapilares, ninhos sólidos ou células cancerígenas isoladas que se estendem além da borda do tumor para os espaços alveolares normais. O STAS é um preditor independente de mau prognóstico, aumentando significativamente as taxas de recorrência pós-operatória e a mortalidade. O diagnóstico preciso é essencial para orientar decisões cirúrgicas (por exemplo, lobectomia versus ressecção sublobar) e determinar a necessidade de terapia adjuvante. No entanto, a avaliação histopatológica do STAS em seções congeladas (SCs) e seções de parafina (SPs) é trabalhosa, consome tempo e está sujeita a variabilidade interobservador, diagnósticos perdidos e erros de diagnóstico. Os desafios incluem distorções morfológicas nas SCs (por exemplo, dobramento celular, artefatos de "disseminação pela lâmina"), limitações de amostragem e escassez de patologistas experientes, particularmente em regiões com recursos limitados. Embora a aprendizagem profunda (DL) tenha demonstrado potencial, os modelos existentes frequentemente carecem de validação extensa em conjuntos de dados externos de grande escala e multicêntricos e não aproveitam plenamente características multiescala e o contexto do microambiente tumoral (TME) tanto para detecção quanto para localização.

Metodologia
Os autores propõem o Modelo Especialista em Atenção de Difusão (DAEM), um framework de aprendizagem profunda projetado para detectar STAS e localizar semi-automaticamente sua distância em relação ao tumor primário.

• Coleta e Pré-processamento de Dados: O estudo utilizou um conjunto de dados retrospectivo e multicêntrico composto por 2.758 imagens de lâminas inteiras (WSIs) do Segundo Hospital Xiangya (SXH-CSU) para treinamento e validação internos, juntamente com oito coortes de validação externa (incluindo Hospital Xiangya, Terceiro Hospital Xiangya, Hospital de Tumores Afiliado à Universidade de Zhengzhou e conjuntos de dados públicos TCGA_LUAD e CPTAC_LUAD). As imagens passaram por pré-processamento incluindo segmentação de tecido (algoritmo de Otsu), normalização de cor (Macenko) e extração de patches (256×256 e 512×512 a 20× de ampliação).
• Extração de Características e Construção de Grafos:
  • Características Multiescala: Um modelo CTransPath pré-treinado (baseado no Swin Transformer) extrai características de patches.
  • Topologia Espacial: Com base nas coordenadas dos patches, um grafo topológico espacial ($G_l, G_s$) é construído usando um algoritmo de K-Vizinhos Mais Próximos (KNN) para capturar relações espaciais.
  • Características do TME: O modelo HD-Yolo segmenta e classifica células (tumor, estroma, imune, etc.) para construir um grafo espacial específico do TME ($G_{TME}$).
• Arquitetura do DAEM:
  • Convolução de Grafo Multiescala (MSGC): Processa os grafos de topologia espacial usando camadas SAGEConv paralelas com LeakyReLU, LayerNorm e Dropout para agregar informações de vizinhança e atualizar características de nós.
  • Módulos Especialistas em Atenção de Difusão (DAEM): Dois módulos especialistas paralelos utilizam um Mecanismo de Atenção de Difusão (DAM). Inspirado na condução térmica termodinâmica, o DAM simula a difusão de sinal entre nós para atualizar representações. Emprega agrupamento adaptativo para lidar com comprimentos de características variáveis e usa uma matriz de difusão para ajustar dinamicamente a influência dos nós, otimizando a consistência de características via uma função de energia.
  • Agregação de Dupla Ramificação: O modelo emprega uma arquitetura de dupla ramificação para fortalecer a representação de características multiescala.
• Estratégia de Treinamento: O modelo é treinado usando uma combinação de Perda Contrastiva Supervisionada (para alinhar características da mesma classe), Perda de Erro Quadrático Médio (MSE) (para restringir consistência entre saídas de especialistas) e Perda de Entropia Cruzada (para classificação final).
• Localização Semi-automática: Para casos positivos para STAS, o sistema integra mapas espaciais de células para identificar a borda do tumor primário e focos de STAS, permitindo o cálculo de distâncias euclidianas via uma plataforma interativa baseada na web.

Principais Contribuições

1. Arquitetura Inovadora: Introdução do DAEM, que integra um mecanismo de atenção de difusão com uma estrutura de especialista de dupla ramificação para aprender efetivamente características patológicas multiescala e contexto do TME.
2. Capacidade de Dupla Seção: O modelo é capaz de diagnosticar STAS tanto em seções congeladas intraoperatórias (SCs) quanto em seções de parafina pós-operatórias (SPs), abordando uma lacuna crítica na tomada de decisão intraoperatória.
3. Localização Semi-automática: Diferentemente de modelos anteriores focados apenas em detecção, o DAEM facilita a medição semi-automática da distância dos focos de disseminação do STAS ao tumor primário, analisando distribuições de células do TME.
4. Descoberta de Biomarcadores: O estudo identifica métricas quantitativas do TME (Razão Estroma-Tumor [STR], Razão Imune-Tumor [ITR] e Densidade de Microvasos [MVD]) como potenciais biomarcadores para STAS, e MVD/Razão Estroma-Vaso (SVR) para STAS do tipo micropapilar.
5. Validação Extensa: O modelo foi validado em um conjunto de dados interno e oito coortes externas independentes, demonstrando generalização robusta através de diversos centros médicos e fontes de dados.

Resultados

• Desempenho Interno: No conjunto de dados interno SXH-CSU, o DAEM alcançou uma Área Sob a Curva (AUC) de 0,8946 para SCs e 0,9112 para SPs. Superou inúmeras bases de referência (baselines) de MIL e baseadas em grafos de última geração (SOTA) (por exemplo, CLAM, DSMIL, TransMIL, PatchGCN) com significância estatística ($P < 0,01$).
• Generalização Externa: A validação em oito conjuntos de dados externos (incluindo centros médicos de alto nível e conjuntos de dados públicos) resultou em AUCs variando de 0,7957 a 0,8642. Embora o desempenho tenha variado ligeiramente entre centros (atribuído a diferenças na qualidade dos dados e coloração), o modelo demonstrou consistentemente forte capacidade diagnóstica, superando os níveis de desempenho de patologistas primários em vários cenários.
• Interpretabilidade: A visualização de mapas de calor multiescala (10× e 20×) confirmou que as regiões de alta atenção do DAEM alinham-se estreitamente com áreas de STAS anotadas por patologistas, massas tumorais e características morfológicas específicas (por exemplo, atipia nuclear, clusters flutuantes).
• Valor Prognóstico: A análise de sobrevivência de Kaplan-Meier revelou que a alta expressão de STR, ITR e MVD estava significativamente associada a menor sobrevida global e maior risco de recorrência em pacientes positivos para STAS.

Significado e Alegações
O artigo afirma que o DAEM fornece um framework clinicamente acionável para avaliação de STAS. Ao permitir detecção precisa tanto em SCs quanto em SPs, apoia a tomada de decisão cirúrgica intraoperatória (por exemplo, determinação da extensão da ressecção) e estratificação de risco pós-operatória. A ferramenta de localização semi-automática oferece uma ajuda prática para patologistas quantificarem a distância do STAS, um fator ligado ao prognóstico. Além disso, a identificação de biomarcadores baseados no TME (STR, ITR, MVD, SVR) contribui para a compreensão dos mecanismos do STAS e oferece alvos potenciais para medicina de precisão. Os autores enfatizam que o modelo aborda a escassez de patologistas e a necessidade de diagnóstico objetivo e rápido, particularmente em regiões com recursos médicos desiguais. Embora o estudo reconheça limitações relacionadas a falsos positivos/negativos devido a artefatos de imagem e a necessidade de otimização adicional na adaptação de domínio, posiciona o DAEM como um passo significativo rumo à integração da IA nos fluxos de trabalho rotineiros de patologia de câncer de pulmão.