Estrategias de Aprendizaje por Transferencia para Modelos Fundacionales Patológicos: Una Evaluación Sistemática en la...

Área de la Ciencia:

• Inteligencia Artificial en Patología
• Patología Computacional
• Aprendizaje Automático para Imágenes Médicas

Sus antecedentes:

• El despliegue de IA en patología en hospitales se ve desafiado por datos de casos limitados y la adaptación de modelos preentrenados.
• La clasificación de tumores cerebrales presenta un desafío específico debido a diversas categorías y pocos casos institucionales.
• Las estrategias óptimas de aprendizaje por transferencia para modelos fundacionales en este contexto no están claras.

Objetivo del estudio:

• Evaluar el ajuste fino (FT) frente a la sondeo lineal (LP) para la clasificación de tumores cerebrales utilizando modelos fundacionales y convencionales de IA.
• Determinar la estrategia de aprendizaje por transferencia más eficaz para adaptar modelos de IA a conjuntos de datos locales y externos.
• Evaluar el impacto de diferentes métodos de aprendizaje por transferencia en las capacidades de generalización de los modelos de IA.

Principales métodos:

• Se compararon las estrategias FT y LP en modelos fundacionales (UNI, Prov-GigaPath) y modelos convencionales (ViT-L, CTransPath).
• Se entrenaron modelos con un conjunto de datos institucional (254 casos) y se validaron con el conjunto de datos EBRAINS (698 casos).
• Se evaluó el rendimiento basándose en la precisión de la clasificación y la generalización entre conjuntos de datos.

Principales resultados:

• Los modelos convencionales mostraron un rendimiento FT ≥ LP en ambos conjuntos de datos.
• Los modelos fundacionales exhibieron una inversión: FT superó marginalmente a LP en datos institucionales, mientras que LP superó significativamente a FT en datos externos (p < 0,01).
• UNI con LP (10 parches/caso) superó a los modelos convencionales ajustados finamente (500 parches/caso) en la validación externa (p < 0,001).

Conclusiones:

• El ajuste fino de modelos fundacionales con datos institucionales limitados puede provocar sobreajuste y comprometer la generalización.
• La sondeo lineal preserva las representaciones preentrenadas, lo que permite una implementación de IA más eficiente con una generalización superior para la clasificación de tumores cerebrales.
• La sondeo lineal emerge como una estrategia más robusta para implementar modelos fundacionales en IA de patología con datos locales limitados.