I modelli AI di patologia vulnerabili a variazioni non biologiche; proposta una nuova misura di robustezza

I modelli foundation per la patologia, prossimi all'implementazione clinica, affrontano sfide dovute a variazioni sistematiche non biologiche tra diversi centri, derivanti da discrepanze nella preparazione dei tessuti, colorazione e imaging. Queste incongruenze sono incorporate nei modelli, promuovendo scorciatoie di apprendimento e riducendo la loro capacità di generalizzare tra vari gruppi e istituzioni. L'attuale Robustness Index (RI) misura se la rappresentazione locale è influenzata più da fattori biologici o da variazioni non biologiche; tuttavia, il suo approccio basato sul conteggio trascura i dati di distanza. Sebbene l'incorporazione di pesi di distanza abbia un impatto minimo, il problema fondamentale risiede nel framework aggregato e a vicinato fisso di RI, che maschera le differenze a livello di campione. Per rimediare, gli autori propongono il Cross-confounder Robustness Margin (CRoMa), una metrica specifica per campione che valuta le distanze sia verso corrispondenze biologiche cross-confounder che same-confounder, offrendo una valutazione dettagliata della robustezza del modello su base individuale. Questa ricerca appare su arXiv (2607.25497) come annuncio incrociato.