Resumo Técnico: EviBall – Recuperação de Evidências Condicionada à Classe para Classificação de Imagens de Lâmina Inteira em Cenários Few-Shot

1. Declaração do Problema

A classificação de Imagens de Lâmina Inteira (WSI - Whole Slide Image) é uma tarefa orientada por evidências onde as pistas diagnósticas são esparsas, organizadas espacialmente e dependentes da classe. Ao contrário das imagens naturais, onde as predições dependem de representações holísticas de objetos, a classificação de WSI requer a identificação de evidências histológicas específicas distribuídas através de paisagens de tecido em escala de gigapixels.

As abordagens atuais enfrentam desafios significantes sob supervisão few-shot (onde apenas um pequeno número de lâminas rotuladas está disponível por classe):

• Limitações de Agregação: Os métodos existentes de Aprendizado de Instâncias Múltiplas (MIL) e visão-linguagem tipicamente agregam características de patches fragmentados em uma única representação global da lâmina. Sob supervisão limitada, aprender um mecanismo confiável para organizar pistas locais esparsas em evidências diagnósticas coerentes é difícil.
• Fusão Agnóstica à Classe: Representações compartilhadas de lâminas frequentemente comprimem evidências que apoiam uma classe candidata e suas alternativas no mesmo vetor de características. Esse emaranhamento limita o raciocínio específico de classe e a interpretabilidade.
• Desajuste Semântico: Embora métodos multimodais introduzam orientação semântica, eles frequentemente dependem de priors puramente textuais (ex: de Grandes Modelos de Linguagem) que podem ser indiretos para predições de desfechos moleculares, ou falham ao fundir a informação semântica em uma característica global, falhando em preservar a evidência específica de classe.

O desafio central é organizar patches locais em unidades de evidência estruturadas e específicas de classe sem anotações densas ao nível de patch, permitizando um raciocínio robusto sob escassez de rótulos ao nível de lâmina.

2. Metodologia: EviBall

Os autores propõem o EviBall, um framework de recuperação de evidências condicionado à classe que reformula a classificação few-shot de WSI como um raciocínio de evidência estruturada, em vez de um aprendizado de representação global. O framework consiste em três estágios primários:

A. Construção de Esferas de Evidência (Evidence Balls)

Em vez de tratar os patches como instâncias isoladas, o EviBall os agrupa em unidades compactas e estruturadas chamadas Esferas de Evidência (Evidence Balls). Cada esfera $B_k$ codifica três atributos:

1. Centro Semântico ($c_k$): O conteúdo semântico agregado.
2. Centro Espacial ($s_k$): A localização espacial agregada.
3. Massa de Suporte ($q_k$): A força relativa ou confiança da evidência.

O processo de construção envolve:

• Inicialização Consciente de Diversidade: As regiões locais são particionadas, e os dois patches menos similares dentro de cada região são selecionados como sementes para inicializar esferas candidatas semanticamente diversas.
• Vinculação de Evidência Local: Uma operação de Afinidade Semântico-Espacial Local (LSSA) mede a compatibilidade entre as sementes inicializadas e os patches vizinhos. Isso utiliza uma matriz de afinidade local para calcular pesos de atribuição, garantindo que as esferas capturem padrões locais coerentes enquanto reduzem o ruído de correspondência global.
• Atualização de Centro com Portão Espacial: Um portão espacial modula o refinamento do centro semântico com base no deslocamento entre os centros iniciais e agregados. Isso garante que as atualizações semânticas ocorram apenas quando suportadas por mudanças espaciais consistentes, estabilizando o processo de refinamento.
• Regularização de Diversidade: Uma regularização de diversidade de mesma região é aplicada às esferas de evidência co-localizadas para encorajar que elas capturem padrões locais complementares em vez de redundantes.

B. Geração de Consulta Semântica Relevante à Tarefa

Para recuperar evidências de maneira consciente à classe, o EviBall gera consultas semânticas adaptadas à tarefa específica:

• Consultas Guiadas por Linguagem: Para tarefas orientadas à morfologia, um LLM gera descrições patológicas para cada classe, que são codificadas por um codificador de texto congelado (TITAN) para formar a consulta.
• Consultas Guiadas por Moléculas: Para predições de desfechos moleculares (ex: expressão gênica), descrições textuais são insuficientes. Em vez disso, o framework utiliza um modelo de fundação transcriptômica pré-treinado (scGPT) para gerar consultas baseadas em estados de expressão gênica (bins de baixo vs. alto nível).
• Projeção de Adaptador: Um adaptador específico da fonte projeta essas consultas diversas no espaço de incorporação das esferas de evidência.

C. Recuperação de Evidência Condicionada à Classe

Ao contrário do MIL tradicional que agrega todas as evidências em um único vetor global, o EviBall realiza uma atenção cruzada consciente do suporte para cada consulta de classe de forma independente:

• Atenção Consciente do Suporte: O mecanismo de atenção inclui um termo de viés aditivo baseado na massa de suporte ($q_k$) de cada esfera de evidência. Isso garante que esferas com maior suporte recebam pesos de atenção maiores quando a relevância semântica for comparável.
• Predição por Classe: Cada consulta de classe recupera seletivamente suas esferas de evidência de suporte para formar uma representação distinta e condicionada à classe. Essas representações são passadas por cabeças de predição específicas de classe para gerar logits. Isso reformula a tarefa como uma competição entre classes candidatas sobre a evidência estruturada.

3. Principais Contribuições

1. Framework Centrado em Evidência: A introdução das Esferas de Evidência, que deslocam o foco da modelagem de instâncias de patch isoladas para unidades de evidência compactas e espacialmente coerentes que codificam conjuntamente semântica, organização espacial e massa de suporte.
2. Consulta Semântica Adaptável à Tarefa: Extensão do MIL multimodal além da orientação apenas por linguagem, integrando semânticas derivadas de moléculas (via scGPT) para predição de desfechos moleculares, juntamente com semânticas morfológicas derivadas de LLM.
3. Recuperação Condicionada à Classe: Um decodificador de evidência consciente do suporte e condicionado à classe, onde cada consulta de classe recupera seletivamente as esferas de evidência relevantes, evitando o emaranhamento de evidências encontrado em métodos de agregação global.
4. Desempenho Robusto em Few-Shot: Experimentos extensos demonstrando que a construção de evidência estruturada e a recuperação condicionada à classe superam os baselines convencionais e de visão-linguagem em diversos cenários few-shot.

4. Resultados Experimentais

Os autores avaliaram o EviBall em quatro tarefas de classificação few-shot de WSI cobrindo tanto a classificação orientada à morfologia quanto a predição de desfechos moleculares:

• RCC-Subtyping (Carcinoma de Células Renais)
• BRCA-Subtyping (Câncer de Mama)
• IMP-Grading (Graduação de Imunofenótipo)
• BCNB-PR (Predição de Receptor de Progesterona em Câncer de Mama)

Destaques de Desempenho:

• Superioridade: O EviBall alcançou consistentemente o melhor desempenho ou resultados competitivos nos cenários de 1-shot, 2-shot, 4-shot e 8-shot, superando baselines como ABMIL, CLAM, TransMIL, RRT, ViLaMIL, FOCUS e MUSE.
• Guia Molecular: Na tarefa BCNB-PR, a variante EviBall-RNA (usando consultas guiadas por moléculas) geralmente superou a variante EviBall-LLM (usando apenas consultas de texto), particularmente nos cenários de 2/4/8-shot. Isso sugere que a semântica molecular relevante para a tarefa fornece uma orientação mais apropriada do que os priors textuais para desfechos moleculares.
• Estabilidade: Os ganhos de desempenho permaneceram consistentes através de diferentes números de shots, indicando a robustez do método à escassez de rótulos.

Estudos de Ablação:

• Substituir as Esferas de Evidência por atenção de nível de patch causou a maior queda de desempenho, confirmando a necessidade das unidades de evidência estruturadas.
• A média das representações condicionadas à classe em uma característica compartilhada da lâmina (Variante II) degradou o desempenho, validando o benefício da recuperação condicionada à classe.
• A remoção do viés de massa de suporte ou das atualizações de portão espacial reduziu o desempenho, destacando a importância da força da evidência e da coerência espacial.

5. Significância e Alegações

O artigo afirma que o EviBall aborda as limitações fundamentais dos paradigmas MIL existentes na classificação few-shot de WSI ao:

• Reformular a Tarefa: Mudando de um aprendizado de mecanismo de agregação global não restrito para recuperação de evidência estruturada e competição.
• Aumentar a Interpretabilidade: Ao recuperar esferas de evidência específicas de classe, o modelo fornece evidências espacialmente localizadas e específicas de classe para cada predição, conforme demonstrado na análise de uma lâmina heterogênea de câncer de mama onde o modelo identificou corretamente ILC sobre IDC com base em evidências espacialmente extensas.
• Flexibilidade: O framework integra com sucesso diferentes fontes semânticas (linguagem e dados moleculares), demonstrando que a orientação relevante para a tarefa é crucial para uma recuperação de evidência eficaz.

Os autores concluem que o EviBall oferece uma abordagem mais confiável para organizar pistas diagnósticas esparsas sob supervisão limitada, fornecendo um caminho para modelos de patologia computacional mais interpretáveis e precisos.