Un modelo DINO consciente de la histopatología con mejora de la representación basada en atención

Área de la Ciencia:

• Análisis de imágenes histopatológicas
• Patología computacional
• Inteligencia artificial en medicina

Sus antecedentes:

• La histopatología es crucial para el diagnóstico del cáncer.
• Los Vision Transformers (ViTs) se utilizan cada vez más para el análisis de imágenes.
• Los mecanismos de atención existentes en los ViTs pueden no capturar completamente los matices histopatológicos.

Objetivo del estudio:

• Introducir HistoDARE (Histopathology-Aware DINO con Mejora de la Representación Basada en Atención), un módulo de atención mejorado para ViTs.
• Mejorar la extracción de características espacialmente conscientes y semánticamente distintivas de las imágenes histopatológicas.
• Mejorar el rendimiento de los modelos de detección y clasificación de cáncer.

Principales métodos:

• Se integró un novedoso AttentionWrapper de tres etapas (espacial, canal, refinamiento residual) en la arquitectura DINOv2 ViT-L/14.
• Se aplicó HistoDARE al conjunto de datos NCT-CRC-HE-100K.
• Se interpretaron las características utilizando Regresión Logística con validación cruzada estratificada de 5 veces.

Principales resultados:

• Logró métricas de alto rendimiento: 98,03% de precisión, 98,03% de precisión, 98,02% de recuperación, 98,02% de puntuación F1 y 99,95% de especificidad.
• Superó a DINOv2 de referencia y a otros métodos de vanguardia.
• Demostró mejoras significativas en clases clínicamente críticas (NORM, STR) y una consistencia superior a nivel de clase.

Conclusiones:

• HistoDARE proporciona un marco robusto y generalizable para la histopatología clínica.
• El método ofrece una eficiencia computacional comparable con representaciones de características enriquecidas.
• HistoDARE fortalece la usabilidad potencial de los modelos de IA en flujos de trabajo de patología reales.