La siguiente capa: aumentando los modelos de fundación con la preservación de la estructura y el aprendizaje guiado...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en oncología
• Análisis de imágenes de patología digital

Sus antecedentes:

• Los modelos de fundación sobresalen en la extracción de características en la patología computacional, pero a menudo descuidan la estructura espacial del tejido y las relaciones contextuales locales.
• Comprender el microambiente del tumor requiere integrar la arquitectura global del tejido y las interacciones celulares locales.
• El aprendizaje de instancias múltiples (MIL) es crucial para agregar características a nivel de parche para predicciones a nivel de diapositiva.

Objetivo del estudio:

• Para introducir EAGLE-Net, una nueva arquitectura MIL guiada por la atención.
• Mejorar la precisión de la predicción y la interpretabilidad en la patología computacional mediante la preservación de la información espacial.
• Mejorar el análisis del microambiente tumoral utilizando modelos de fundación.

Principales métodos:

• EAGLE-Net integra la codificación espacial absoluta a escala múltiple para la arquitectura global de los tejidos.
• Una pérdida de conciencia de vecindario de top-K enfoca la atención en los microentornos locales.
• La pérdida de supresión de fondo minimiza los falsos positivos.
• El marco se comparó con grandes conjuntos de datos de cáncer de páncreas para la clasificación y la predicción de la supervivencia utilizando múltiples columnas vertebrales de fundación.

Principales resultados:

• EAGLE-Net logró una precisión de clasificación hasta un 3% mayor en comparación con los métodos de referencia.
• Se obtuvieron los mejores índices de concordancia en 6 de los 7 tipos de cáncer para la predicción de la supervivencia.
• Se generaron mapas de atención biológicamente coherentes que destacan las características clave del microambiente tumoral, como los frentes invasivos y la infiltración inmune.

Conclusiones:

• EAGLE-Net es un marco generalizable e interpretable que complementa efectivamente los modelos básicos de la patología computacional.
• La arquitectura mejora el descubrimiento de biomarcadores, el modelado de pronósticos y el apoyo a las decisiones clínicas.
• La preservación de la estructura espacial y el contexto local es vital para los análisis de patología computacional avanzados.