PathJev: modellazione visivo-linguistica nativa per le decisioni in istopatologia

Abstract degli autori

I modelli visivo-linguistici usati per prendere decisioni in istopatologia raramente restituiscono probabilità calibrate per le opzioni che interessano all’utente. I modelli nativi per le decisioni inseriscono nell’input una domanda e un insieme di opzioni scelto al momento dell’esecuzione, e restituiscono una distribuzione normalizzata tramite una piccola testa decisionale in un solo passaggio in avanti. Abbiamo sviluppato PathJev-P, un modello nativo per le decisioni in istopatologia: MedGemma-1.5-4B con adattatori LoRA e una testa decisionale, addestrato su 40.000 stati di patch provenienti da tre raccolte pubbliche, le cui etichette assegnate da esperti sono trasformate in domande tipizzate con insiemi di opzioni specifici per organo e un’opzione «nessuna di queste». In un confronto su 3 seed, condotto secondo un piano di analisi definito prima dei test e su set di test privi di sovrapposizioni documentate con i dati di addestramento del modello di base, PathJev-P è più accurato di un modello generativo addestrato con lo stesso modello di base, gli stessi dati e la stessa regola di selezione, del modello zero-shot per la patologia CONCH e di un modello decisionale per la medicina generale (accuratezza bilanciata di 0,541 contro 0,492, 0,345 e 0,213); il suo vantaggio rispetto al modello generativo deriva da due organi assenti dall’addestramento. Il vantaggio nella calibrazione dipende dal modo in cui si ricavano le probabilità del modello generativo. Usando la log-verosimiglianza sommata dei candidati adottata in lavori precedenti, PathJev-P ha un errore di calibrazione inferiore (ECE di 0,204 contro 0,279); usando invece una lettura normalizzata per la lunghezza dello stesso modello generativo, esaminata a posteriori, i due hanno un errore medio di calibrazione simile (0,201) e il modello generativo è meglio calibrato sugli organi non visti durante l’addestramento, sui quali PathJev-P rimane troppo sicuro delle proprie previsioni. Una sonda lineare supervisionata applicata a un modello di base per la patologia è meglio calibrata in ogni configurazione. In una dimostrazione qualitativa su un intero vetrino, PathJev-P assegna etichette a cluster di tessuto ottenuti senza supervisione, con possibilità di astensione, e distingue il carcinoma dagli altri tessuti eseguendo il modello solo su una frazione delle tile.