Segmentación de cáncer gástrico mediante aprendizaje multi-instancia geométrico con supervisión débil

Área de la Ciencia:

• Patología computacional
• Patología digital
• Análisis de imágenes médicas

Sus antecedentes:

• La segmentación con supervisión débil de regiones cancerosas en imágenes completas de portaobjetos (WSI) es vital pero se ve obstaculizada por costosas anotaciones a nivel de píxel.
• Los marcos existentes de Aprendizaje Múltiple de Instancias (MIL) a menudo ignoran la topología crucial del tejido, lo que lleva a máscaras de segmentación inexactas.

Objetivo del estudio:

• Introducir el Aprendizaje Multi-Instancia Geométrico (Geo-MIL), un novedoso marco basado en grafos para la segmentación precisa con supervisión débil de WSI.
• Abordar las limitaciones de los métodos MIL existentes modelando explícitamente las relaciones espaciales y la arquitectura del tejido.

Principales métodos:

• Se desarrolló un marco basado en grafos (Geo-MIL) que modela las relaciones espaciales entre los parches de tejido en WSI.
• Se introdujo un mecanismo de atención topológica que opera en el grafo WSI para priorizar las estructuras tisulares relevantes para el diagnóstico.
• Se evaluó el método en tres conjuntos de datos públicos de cáncer gástrico.

Principales resultados:

• Geo-MIL superó significativamente a los métodos de referencia de última generación en precisión de segmentación.
• Se logró un nuevo punto de referencia tanto en el rendimiento de segmentación como de clasificación para el análisis de WSI.
• Se demostró la efectividad de modelar la topología del tejido para mejorar las predicciones diagnósticas.

Conclusiones:

• Geo-MIL representa un avance significativo para cerrar la brecha entre las etiquetas débiles a nivel de portaobjetos y las predicciones precisas a nivel de píxel.
• El mecanismo de atención topológica propuesto mejora la identificación de estructuras tisulares relevantes para el diagnóstico.
• Este trabajo allana el camino para un análisis cuantitativo escalable y preciso en patología computacional.