Un innovador estudio titulado “CAMIL: Context-Aware Multiple Instance Learning for Cancer Detection and Subtyping in Whole Slide Images” y presentado en la conferencia ICLR 2024, detalla el desarrollo de una arquitectura potente para el diagnóstico de cáncer utilizando imágenes de biopsias de tejido. Dirigido por Olga Fourkioti y Matt De Vries, investigadores del Instituto de Investigación del Cáncer de Londres, y colaboradores de la University College London, el proyecto busca mejorar la precisión en la clasificación de subtipos de cáncer.

La técnica CAMIL, presentada en el estudio, aprovecha el aprendizaje de instancias múltiples (MIL) al integrar atención consciente del contexto, vinculando la información espacial de los “tiles” individuales en las imágenes del portaobjetos completo. Esta estrategia supera las limitaciones de modelos MIL tradicionales, que solían descartar la información de contexto, lo que lleva a errores de clasificación.

El sistema fue evaluado con un notable éxito en tres tareas diferentes: subtipos de cáncer de pulmón de células no pequeñas (TCGA-NSCLC), y detecciones de metástasis en nódulos linfáticos usando las cohortes CAMELYON16 y CAMELYON17. El modelo CAMIL obtuvo altas puntuaciones en Test AUCs, 97.5%, 95.9%, y 88.1%, respectivamente, logrando superar a otros métodos de vanguardia.

Al considerar las sinergias entre los patches vecinos dentro de una imagen, CAMIL propone un descriptor de vecindario integrado a un módulo de atención restringida a los vecinos más cercanos, lo cual transforma la manera en la que las características se procesan en imágenes de portaobjetos completo. Esta integración de atención vecinal realza la interpretabilidad del modelo, facilitando la identificación de sub-regiones de alto valor diagnóstico.

Además, el estudio subraya la importancia de las técnicas de aprendizaje profundo y métodos no todos supervisados, como el aprendizaje débilmente supervisado, que ha revolucionado el desarrollo de sistemas de apoyo a la decisión computacional escalables, eficientes para la práctica clínica.

Una conclusión clave es la evidencia de que considerar el contexto espacial de cada tile puede proporcionar una significativa mejora en el rendimiento del modelo en detección y clasificación tumoral. CAMIL no sólo mejora la precisión diagnóstica, sino que también se presenta como una herramienta invaluable para la investigación del microambiente tumoral, ofreciendo un panorama más comprensivo para patólogos y otros profesionistas de la salud.