DSPA-U-MIL: Aprendizaje automático de instancias múltiples dual selectivo y consciente de patrones de Gleason con...

Área de la Ciencia:

• Patología digital
• Oncología computacional
• Aprendizaje automático en medicina

Sus antecedentes:

• La predicción precisa del grupo de grado de Gleason (GG) es crucial para el manejo del cáncer de próstata.
• Los métodos existentes de aprendizaje de instancias múltiples (MIL) para la gradación de Gleason a menudo descuidan la influencia combinada de diferentes patrones de Gleason, lo que afecta la precisión y la interpretabilidad.

Objetivo del estudio:

• Desarrollar un modelo de MIL (DSPA-U-MIL) impulsado por la incertidumbre, dual selectivo y consciente de los patrones de Gleason para mejorar la predicción de GG a nivel de paciente.
• Mejorar la precisión y la interpretabilidad de la gradación de Gleason incorporando el conocimiento del dominio de los patrones de Gleason.

Principales métodos:

• Se propuso el modelo DSPA-U-MIL que integra tokens de agregación de patrones aprendibles y agregación a nivel de parche guiada por conceptos de expertos.
• Se empleó un marco de destilación de conocimiento de profesor-alumno para la predicción cooperativa en los patrones de Gleason.
• Se introdujo una restricción de incertidumbre para mejorar la robustez contra etiquetas ruidosas.

Principales resultados:

• DSPA-U-MIL demostró un rendimiento superior en comparación con los métodos de MIL existentes en cinco conjuntos de datos (10,809 WSI, 1133 TMA).
• Logró hasta un 6,7% de mejora en la puntuación kappa ponderada cuadrática (QWK) sobre la línea de base de CLAM, particularmente en el conjunto de datos TCGA-PRAD.
• Las distribuciones de peso de la puerta del modelo estudiante se alinearon con las anotaciones del patólogo, lo que confirma la interpretabilidad.

Conclusiones:

• DSPA-U-MIL ofrece un avance significativo en la predicción automatizada de GG de Gleason, mejorando tanto la precisión predictiva como la interpretabilidad clínica.
• La capacidad del modelo para aprovechar el conocimiento del dominio de los patrones de Gleason y manejar el ruido de las etiquetas lo convierte en una herramienta valiosa para la estratificación del riesgo de cáncer de próstata.