Resumo Técnico: Detecção de Mitose "In the Wild" – Generalização Multi-Tumor e Sensível ao Contexto no Desafio MIDOG 2025

1. Definição do Problema

A detecção automatizada de figuras mitóticas (MF) é uma tarefa crítica na patologia computacional para avaliar a agressividade do câncer por meio da contagem mitótica (MC). Embora os benchmarks anteriores (ex.: MITOS, MIDOG 2021/2022) tenham avançado o campo, eles basearam-se amplamente em regiões de "hotspots" selecionadas por especialistas — áreas de alta densidade celular e atividade mitótica. Essa abordagem introduz um viés de amostragem e falha em refletir a variabilidade dos fluxos de trabalho clínicos reais, onde os algoritmos devem processar lâminas inteiras (WSIs) que contêm diversas arquiteturas de tecidos, regiões aleatórias e áreas ricas em "impostores" (estruturas morfologicamente semelhantes às mitoses, como células apoptóticas ou detritos necróticos).

Além disso, embora a relevância prognóstica das figuras mitóticas atípicas (AMFs) — indicativas de instabilidade cromossômica e comportamento tumoral agressivo — esteja estabelecida, conjuntos de dados de grande escala e multi-domínio para classificação de AMF têm sido escassos. O desafio MIDOG 2025 foi desenhado para abordar essas lacunas, avaliando a robustez algorítmica através de uma diversidade biológica sem precedentes (12 tipos de tumores em espécimes humanos, caninos e felinos) e diversidade contextual (hotspot, aleatório e regiões desafiadoras).

2. Metodologia

Design do Desafio e Dados

O desafio compreendeu duas trilhas independentes:

• Trilha 1: Detecção de Figuras Mitóticas. Os participantes localizaram MFs dentro de Regiões de Interesse (ROIs) de 2 mm². Diferente de edições anteriores, a avaliação estendeu-se além dos hotspots para incluir:
  • ROIs de Hotspot: Regiões de alta densidade selecionadas por especialistas.
  • ROIs Aleatórias: Amostradas uniformemente da área do tecido para representar a lâmina inteira.
  • ROIs Desafiadoras: Regiões selecionadas por especialistas densas em impostores de MF (ex.: células inflamatórias, detritos necróticos) e artefatos.
  • O conjunto de teste consistiu em 365 ROIs de 122 casos de 12 domínios tumorais (incluindo melanoma humano, glioblastoma, adenocarcinoma de pulmão e vários tumores caninos/felinos), digitalizados em múltiplas plataformas de scanner.
• Trilha 2: Classificação de Figuras Mitóticas Atípicas. Os participantes classificaram patches de 128×128 px centrados em MFs confirmadas como "normais" ou "atípicas". O conjunto de teste incluiu 11.939 MFs através de sete domínios, derivados do dataset MIDOG++.

Protocolo de Anotação

O ground truth para a Trilha 1 foi estabelecido usando um pipeline de anotação de duas fases apoiado por imuno-histoquímica (IHC) de Fosfo-histona H3 (PHH3) para auxiliar na identificação das fases mitóticas.

1. Fase 1: Um patologista veterinário certificado em board anotou as células usando rotulagem assistida por PHH3, categorizando-as em cinco classes (variando de MFs distintivas/positivas para PHH3 até impostores negativos para PHH3).
2. Fase 2: Um segundo patologista classificou cegamente patches recortados (30 mícrons) de imagens H&E como MF ou imposto não-MF. Desacordos foram resolvidos por um terceiro especialista.
   Para a Trilha 2, a classificação de AMF seguiu diretrizes estabelecidas, com consenso alcançado por dois patologistas (e um terceiro para desempate) em MFs confirmadas.

Métricas de Avaliação

• Trilha 1: A métrica primária foi o F1 score micro-médio. Métricas secundárias incluíram FROC-AUC (área sob a curva ROC de resposta livre, restrita a 8 falsos positivos por imagem) e Average Precision (AP).
• Trilha 2: A métrica primária foi a Acurácia Balanceada (BA) para lidar com o desequilíbrio de classes. A métrica secundária foi a ROC AUC.
• Análise Pós-Desafio: Os organizadores realizaram estudos de ablação nos containers Docker submetidos para isolar os efeitos de Ensemble e Augmentação de Tempo de Teste (TTA), juntamente com análise de tempo de inferência e uso de VRAM.

3. Principais Contribuições

1. Expansão do Escopo de Avaliação

Este trabalho introduz a primeira avaliação em larga escala de detecção de mitose "in the wild", indo além dos hotspots curados para incluir regiões aleatórias e desafiadoras. Essa mudança expõe um significativo "hiato de confiabilidade clínica", demonstrando que modelos que performam bem em hotspots frequentemente falham em contextos mais amplos.

2. Benchmark Multi-Domínio e Multi-Espécie

O desafio utilizou um conjunto de teste abrangendo 12 tipos de tumores de fontes humanas, caninas e felinas, digitalizados em diversos scanners. Isso fornece um teste rigoroso de generalização de domínio através de espécies e variações induzidas pelo scanner.

3. Dataset de Grande Escala para AMF

O desafio liberou um dataset abrangente e multi-domínio para classificação de AMF, abordando a escassez de dados anotados para este marcador prognóstico.

4. Análise Empírica de Técnicas Comuns

Através de estudos de ablação nos submissions dos participantes, o artigo fornece evidências empíricas sobre a eficácia de Ensembling e TTA neste domínio específico, desafiando a suposição de que essas técnicas são universalmente benéficas.

4. Resultados

Desempenho de Detecção (Trilha 1)

• Desempenho Geral: A equipe vencedora (Lv et al.) alcançou um F1 score de 0,740.
• Variância Contextual: O desempenho degradou significativamente fora dos hotspots.
  • Hotspot: F1 médio = 0,735.
  • Aleatório: F1 médio = 0,638.
  • Desafiador: F1 médio = 0,479.
• Taxa de Falsos Positivos: A precisão em áreas desafiadoras caiu para 0,400 comparado a 0,805 em hotspots, resultando em um aumento de 208% na taxa de falsos positivos.
• Dependência de Tumor: O desempenho variou amplamente por tipo de tumor, com o menor F1 mediana em glioblastoma humano (0,444) e o maior em hemangiossarcoma canino (0,808).
• Correlação: Não houve correlação significativa entre o desempenho em hotspots e áreas desafiadoras ($r=0,36, p=0,201$), indicando que a proficiência em hotspots não prevê a robustez em regiões difíceis.

Desempenho de Classificação (Trilha 2)

• Desempenho Geral: A equipe vencedora (Balezo et al.) alcançou uma Acurácia Balanceada de 0,908.
• Dependência de Tumor: Observou-se variância significativa entre os tipos de tumor, com o linfoma felino apresentando a menor BA mediana (restrita pelo baixo recall) e o astrocitoma humano o maior.

Insights Metodológicos (Estudos de Ablação)

• Ensembling: Proporcionou ganhos consistentes. Na Trilha 1, o ensembling aumentou o F1 em uma média de 1,55 pontos percentuais, com o benefício sendo maior em regiões desafiadoras. Na Trilha 2, aumentou a BA em 1,30 pontos percentuais.
• Augmentação de Tempo de Teste (TTA): Mostrou melhoria negligenciável ou nenhuma melhoria significativa. Na Trilha 1, o TTA rendeu um aumento médio de apenas 0,32 pontos percentuais no F1, com uma redução mediana de -0,042 pontos.
• Tendências de Arquitetura:
  • Trilha 1: A família YOLO (v5–v12) foi o framework dominante de detecção de objetos.
  • Trilha 2: A Adaptação de Baixo Rank (LoRA) de modelos de fundação (ex.: DINOv3, Virchow, UNI) foi a estratégia prevalente entre os melhores performers.

5. Significância e Alegações

O artigo afirma que o desafio MIDOG 2025 demonstra que a detecção de mitose "in the wild" continua sendo um obstáculo significativo. A transição de uma avaliação focada apenas em hotspots para um framework multi-contextual revela que as arquiteturas de estado da arte atuais possuem "pontos cegos", particularmente em relação a tipos de tumores raros e regiões altamente pleomórficas ou ricas em impostores.

As principais conclusões enfatizadas pelos autores incluem:

1. Hiato de Confiabilidade Clínica: Modelos validados apenas em hotspots não são confiáveis para a análise de rotina de WSIs devido à alta taxa de falsos positivos em regiões aleatórias e desafiadoras.
2. Necessidade de Curadoria de Dados: Futuros datasets devem priorizar a variância de domínio (tipos de tumores, scanners) e, crucialmente, o contexto espacial das anotações. Datasets baseados em patches (ex.: 64×64 px) podem prejudicar modelos de detecção de objetos que dependem da arquitetura tecidual circundante para distinguir mitoses de impostores.
3. Eficácia de Técnicas: Enquanto o ensembling é um método robusto para melhorar a generalização, o TTA não parece oferecer benefícios significativos e adiciona sobrecarga computacional.
4. Padrões de Avaliação: O desafio estabelece um novo benchmark que recompensa a generalização através de paisagens biológicas e contextuais diversas, aproximando o campo de soluções clinicamente implantáveis.

Os autores concluem que, embora a detecção em hotspots seja robusta, o campo deve focar em validação rigorosa além dos hotspots e na curadoria de recursos de treinamento diversos para permitir uma tradução responsável para a prática clínica.