Análisis de imágenes histológicas de biopsias renales mediante Deep Learning para la caracterización del daño renal y su relación con variables clínicas

Abstract

Este trabajo presenta un sistema de clasificación automática de biopsias renales basado en Multiple Instance Learning (MIL) aplicado a Whole Slide Images (WSI) procedentes del Kidney Precision Medicine Project (KPMP). Se aborda, por primera vez en la literatura, la clasificación simultánea de cuatro categorías diagnósticas sobre este dataset: enfermedad renal crónica (CKD), lesión renal aguda (AKI), nefropatía diabética (DM-R) y tejido sano de referencia (Healthy Reference), empleando tinciones PAS y tricrómico de Masson.

El sistema sigue un pipeline de dos etapas. En la etapa offline, cada WSI se divide en patches de 256×256 píxeles, se filtra el fondo mediante criterios colorimétricos (HSV) y de nitidez (varianza del Laplaciano), y se extraen representaciones vectoriales con modelos fundacionales de histopatología preentrenados mediante aprendizaje autosupervisado. En la etapa online, un modelo MIL aprende a clasificar cada WSI a partir del conjunto de patches, sin necesidad de anotaciones a nivel de región o píxel.

Se comparan cinco backbones (ResNet50, CONCH, UNI, Phikon y H-optimus-0) y cuatro arquitecturas de agregación MIL (ABMIL, TransformerMIL, CLAM-SB y TransMIL). La combinación H-optimus-0 y TransformerMIL, potenciada con Test-Time Augmentation (K=5), alcanza un F1-macro de 0,933 y una exactitud del 92,5% sobre 106 biopsias de test, clasificando correctamente 98 de 106 casos y mejorando en un 47% el rendimiento del baseline ResNet50.

El sistema incorpora tres niveles de explicabilidad: mapas de calor de atención sobre la WSI completa, visualización de los patches más relevantes, y análisis de la atención interna del Vision Transformer. Las visualizaciones producidas son clínicamente plausibles y han sido contrastadas con criterio nefrológico, lo que sugiere que el modelo aprende características genuinamente diagnósticas.

This work presents an automated classification system for renal biopsies based on Multiple Instance Learning (MIL) applied to Whole Slide Images (WSI) from the Kidney Precision Medicine Project (KPMP). To the best of our knowledge, this is the first study to simultaneously classify four diagnostic categories on this dataset: Chronic Kidney Disease (CKD), Acute Kidney Injury (AKI), Diabetic Mellitus-Related nephropathy (DM-R), and Healthy Reference tissue, using PAS and Masson's trichrome staining.

The system follows a two-stage pipeline. In the offline stage, each WSI is divided into 256×256 pixel patches, background is filtered using colorimetric (HSV) and sharpness (Laplacian variance) criteria, and feature vectors are extracted using histopathology foundation models pre-trained via self-supervised learning. In the online stage, a MIL model learns to classify each WSI from its set of patches, without requiring region- or pixel-level annotations.

Five backbones (ResNet50, CONCH, UNI, Phikon, and H-optimus-0) and four MIL aggregation architectures (ABMIL, TransformerMIL, CLAM-SB, and TransMIL) are compared. The combination of H-optimus-0 and TransformerMIL, enhanced with Test-Time Augmentation (K=5), achieves a macro F1-score of 0.933 and 92.5% accuracy on 106 test biopsies, correctly classifying 98 out of 106 cases and improving upon the ResNet50 baseline by 47%.

The system incorporates three levels of explainability: attention heatmaps overlaid on the full WSI, visualisation of the most relevant patches, and internal attention analysis of the Vision Transformer backbone. The resulting visualisations are clinically plausible and have been reviewed by a nephrology specialist, suggesting that the model learns genuinely diagnostic features rather than spurious dataset artefacts.