Análisis de correlación de representaciones basadas en aprendizaje automático de características nucleares en imágenes histopatológicas con su expresión génica espacial

Abstract

El análisis de imágenes histopatológicas ofrece una visión detallada de la estructura celular; por su parte, la transcriptómica espacial permite mapear la actividad génica conservando la arquitectura física del tejido. Relacionar ambas modalidades es fundamental para comprender la heterogeneidad tumoral en el cáncer. Sin embargo, a pesar de los avances del aprendizaje profundo en patología digital, continúa el desafío de identificar qué representaciones visuales de los núcleos celulares reflejan con mayor fidelidad estos patrones de expresión molecular.

Para abordar este problema, el presente trabajo analiza cómo se correlacionan diversas representaciones de núcleos celulares con la expresión génica espacial, mediante muestras de tejido renal sano y canceroso del conjunto de datos HEST-1K. El estudio evalúa descriptores morfológicos tradicionales, grafos de interacción celular y representaciones latentes (embeddings) de modelos fundacionales como Virchow y UNI. A nivel metodológico, el proceso abarcó la mitigación de efectos de lote, la extracción de características multiescala y la construcción de un modelo de integración multimodal que fusiona la morfología visual con la topología celular.

Los resultados demuestran que los embeddings extraídos de modelos fundacionales capturan de manera efectiva la asociación con perfiles génicos específicos. Aunque las representaciones basadas en grafos mostraron una capacidad predictiva limitada al evaluarse de forma aislada, su verdadero valor radica en la información estructural complementaria que aportan. Al integrar ambas modalidades, se supera de forma consistente a las representaciones individuales, alcanzando incrementos promedio en el coeficiente de determinación (R^2) de 0.010 en UNI, 0.009 en UNI2-h, 0.012 en Virchow y 0.009 en Virchow2. De manera complementaria, en este trabajo se plantea un método para la identificación de genes con dos características de interés: una mejor asociación con características morfológicas y mayor independencia con la información que pueda proveer una etiqueta (tejido tumoral o sano).