EXPOSE: borrar las dimensiones que codifican el escáner en un modelo de fundación de patología gana 0,75 puntos de AUROC — al precio de eliminar el 91 % de ellas

Siete autores del Centro Médico Universitario Hamburgo-Eppendorf entrenan un autocodificador disperso sobre las representaciones de un modelo de fundación de patología, identifican las dimensiones que codifican el escáner y el protocolo de tinción en lugar del tumor, y las borran. En la predicción de recaída a cinco años del cáncer de próstata, enmascarar 3 500 de 3 840 dimensiones gana 0,75 puntos de AUROC de media sobre cuatro variantes de protocolo nunca vistas en el entrenamiento. La ganancia es real pero minúscula, no se reporta ninguna prueba de significación, y todos los dominios comparados provienen del mismo hospital.

El contexto

Un modelo de fundación de visión (vision foundation model, VFM) aplicado a la patología es una red entrenada sin etiquetas sobre millones de mosaicos de láminas histológicas, cuyas representaciones se reutilizan después para todo tipo de tareas: graduar un tumor, predecir una mutación, estimar un pronóstico. No se reentrena. Se le pide que convierta una imagen de tejido en un vector de unos cientos de números — el embedding, o representación — y encima se enchufa un pequeño clasificador. Es hoy la arquitectura por defecto de la patología digital.

El punto débil de esa arquitectura es el desplazamiento de dominio. Dos cortes del mismo bloque de tejido, cortados a espesores distintos, teñidos durante tiempos distintos o digitalizados en dos escáneres distintos, producen representaciones distintas. La red no solo ha codificado la biología: también ha codificado el laboratorio. Cuando un modelo entrenado en un hospital se aplica en otro, el rendimiento cae — es el modo de fallo mejor documentado del campo. En el fondo se trata de shortcut learning: la red aprende una correlación espuria, la firma del aparato y del protocolo, junto con la señal que se creía estar enseñándole.

La idea del equipo de Hamburgo viene de la interpretabilidad de los grandes modelos de lenguaje. Un autocodificador disperso (sparse autoencoder, SAE) es una pequeña red entrenada para reconstruir una representación pasando por una capa intermedia mucho más ancha, pero en la que se fuerza a que casi todas las unidades permanezcan a cero. La intuición, popularizada desde 2023 en los modelos de lenguaje: en un espacio comprimido cada dimensión mezcla varios conceptos a la vez; en un espacio ancho y disperso, cada concepto tiene sitio para ocupar su propia dimensión. Si eso vale también en patología, las dimensiones escáner y las dimensiones tumor deberían ser separables — y debería poderse borrar las primeras sin dañar las segundas. Esa es exactamente la hipótesis que el artículo pone a prueba.

El método

Los datos. Una cohorte interna del hospital universitario de Hamburgo-Eppendorf: 69 251 imágenes de puntos de tissue microarray (cilindros de tejido de pocos milímetros dispuestos en cuadrícula sobre una misma lámina) procedentes de 17 700 pacientes operados de prostatectomía radical entre 1992 y 2014. Tras filtrar por calidad de imagen y disponibilidad de información clínica quedan 24 588 imágenes, repartidas en seis subconjuntos. El criterio de valoración es binario: recaída a cinco años, definida de forma compuesta — recurrencia bioquímica, tratamiento adicional no planificado, metástasis o muerte por cáncer de próstata. Solo se incluyen pacientes con al menos cinco años de seguimiento documentado, o con recaída dentro de los cinco años.

Los seis dominios. Es la parte más cuidada del dispositivo. Los autores no buscaron desplazamientos de dominio en la naturaleza: los fabricaron, un factor cada vez. ScanA (8 141 imágenes) es el protocolo estándar — corte de 2,5 µm, tinción hematoxilina-eosina de duración normal, escáner Aperio a 40x. ScanB (8 141 imágenes) es exactamente el mismo tejido, registrado imagen a imagen, digitalizado en un escáner 3DHistech a 80x: solo cambia el aparato. ScanA.thin (1 951) y ScanA.thick (1 950) son otros cortes del mismo bloque a 1 µm y 10 µm. ScanA.long (1 951) aplica una tinción diez veces más larga. ScanA.spot (8 181) toma un segundo cilindro, es decir otra región de la próstata. ScanA y ScanB constituyen el dominio de entrenamiento; los otros cuatro sirven de prueba fuera de dominio y nunca se ven en el entrenamiento.

El pipeline. El modelo de fundación es H0-mini, versión destilada de H-Optimus-0, congelado, que produce vectores de 768 dimensiones. Sobre esas representaciones los autores entrenan un SAE con activación ReLU y un factor de expansión de 5: la capa dispersa tiene por tanto 3 840 dimensiones. La dispersión se obtiene con una penalización L1 de coeficiente 1e-5, y no con los mecanismos más recientes de tipo TopK o JumpReLU. Las activaciones dispersas se promedian sobre todos los tokens de una imagen y encima se ajusta un simple clasificador lineal de recaída.

Identificación y enmascaramiento. Para localizar las dimensiones de dominio, los autores entrenan un clasificador lineal ScanA contra ScanB — un discriminador de escáner — sobre los pares de imágenes registradas. Las dimensiones se ordenan luego por peso, y las k más asociadas a ScanB se ponen a cero mediante una máscara binaria fija. Se comparan tres estrategias de selección (pesos positivos más altos, pesos negativos más bajos, valor absoluto más alto); se retiene la primera. k se barre de 2 a 3 500. Punto importante: el modelo de fundación nunca se reentrena, y la máscara, una vez calculada, se aplica a ciegas a cualquier imagen — no hace falta ninguna etiqueta de dominio en el momento de la inferencia.

El protocolo. El SAE y el clasificador de dominio se entrenan sobre ScanA y ScanB (70/15/15, estratificación a nivel de paciente). El clasificador de recaída se entrena únicamente sobre ScanA. Los resultados son medias sobre cinco semillas aleatorias, con su desviación típica. Los autores introducen finalmente un índice propio, el DoRI (Domain Robustness Index): para cada representación se miran sus 20 vecinos más próximos y se compara la frecuencia con que comparten la misma etiqueta de recaída con la frecuencia con que comparten el mismo dominio, cada una normalizada por su esperanza bajo distribución uniforme. Un DoRI positivo significa que la etiqueta estructura el espacio más que el dominio; uno negativo, lo contrario.

Los resultados

Dentro del dominio, el SAE ayuda un poco. El modelo base — representación H0-mini en bruto más clasificador lineal — alcanza un AUROC de 68,20 en ScanA y 68,58 en ScanB. Pasar por el SAE sin enmascaramiento sube la media dentro de dominio de 68,39 a 69,32, y enmascarar 256 dimensiones la lleva a 69,57, es decir +1,18 puntos. Recordemos qué significa un AUROC de 0,69: si se toma al azar un paciente que recayó y otro que no, el modelo ordena correctamente la pareja unas 69 veces de cada 100, frente a 50 por puro azar. Es una señal pronóstica modesta, cosa que los autores no intentan ocultar.

Fuera de dominio, el SAE solo empeora, y hay que enmascarar casi todo para ganar. Es el resultado central. La media fuera de dominio del modelo base es 61,42. El SAE sin enmascaramiento la hace bajar a 60,87 (−0,54). Enmascarar 256 dimensiones no basta para volver al punto de partida (61,03, es decir −0,39). Hay que llegar a k = 3 500 dimensiones enmascaradas de 3 840 — quedan solo 340 activas — para alcanzar 62,16, es decir +0,75 puntos sobre el modelo base. El detalle por dominio es instructivo: ScanA.spot pasa de 65,38 a 67,74, ScanA.thick de 58,17 a 59,62, ScanA.long de 61,67 a 62,67, pero ScanA.thin retrocede, de 60,48 en el modelo base a 58,63 en el mejor de los casos con enmascaramiento. El desplazamiento de espesor de corte sigue siendo, según los propios autores, difícil.

El control por enmascaramiento aleatorio. Los autores comparan su selección por pesos del clasificador de dominio con un enmascaramiento del mismo número de dimensiones elegidas al azar. El DoRI aumenta de forma sostenida con el enmascaramiento guiado, mientras que el aleatorio solo produce cambios menores hasta k = 1 024. Pero el resultado más elocuente está en otro sitio: cuando el DoRI se calcula sobre el espacio que combina dominio de entrenamiento y dominios de prueba, permanece negativo en todos los niveles de enmascaramiento. Dicho de otro modo, incluso tras borrar el 91 % de las dimensiones, el dominio sigue estructurando el espacio de representación más que el pronóstico. Los propios autores escriben que la separación es parcial.

Lo que está bien

El conjunto de datos está diseñado, no encontrado. Seis variantes en las que cambia un solo factor cada vez — escáner, espesor de corte, duración de la tinción, región tisular — dos de ellas formadas por imágenes registradas del mismo punto en dos aparatos. En una literatura donde el desplazamiento de dominio se estudia casi siempre comparando dos hospitales que difieren en veinte parámetros a la vez, este diseño permite atribuir un efecto a una causa. Tiene un coste, sobre el que volvemos, pero es raro y es limpio.

El control negativo está presente. Comparar el enmascaramiento guiado con un enmascaramiento aleatorio del mismo número de dimensiones es el experimento evidente que muchos artículos omiten. Sin él no se podría distinguir la eliminación de ruido de la eliminación de dominio. Los autores lo hacen, y separa bien ambos regímenes hasta k = 1 024.

La intervención es ligera y el código es público. El modelo de fundación nunca se reentrena, lo que pone el método al alcance de un equipo sin gran capacidad de cálculo. La máscara se calcula una vez y luego se aplica a ciegas: no se requiere etiqueta de dominio en inferencia, restricción que descalifica en la práctica clínica a muchos métodos de adaptación de dominio. El repositorio está abierto bajo licencia CC BY 4.0.

Lo que está menos bien

El efecto es del tamaño del ruido, y la configuración ganadora se elige sobre el conjunto de prueba. La ganancia fuera de dominio de 0,75 puntos viene acompañada de una desviación típica entre dominios de 3,64, y no se reporta ninguna prueba de significación ni ningún intervalo de confianza — solo desviaciones típicas sobre cinco semillas. Más incómodo aún: la mejor configuración dentro de dominio (k = 256) no es la mejor fuera de dominio (k = 3 500), y nada en el artículo indica cómo se habría elegido k = 3 500 sin mirar los resultados fuera de dominio. Y esos cuatro subconjuntos son precisamente lo que hace las veces de validación. Seleccionar un hiperparámetro sobre el propio conjunto de prueba produce mecánicamente una estimación optimista: es una variante de métrica engañosa, y basta para explicar una diferencia de este orden de magnitud.

No hay ninguna validación externa, y la población es estrecha. Los seis dominios proceden de los mismos bloques de tejido, los mismos pacientes, el mismo instituto de patología. No se emplea ningún conjunto público — TCGA, PANDA — ni ninguna otra institución. Lo que el artículo demuestra es robustez ante un cambio de aparato y de protocolo en casa, que no es el desplazamiento que hace fracasar a los modelos en despliegue. A ello se añade un sesgo de población clásico: cohorte monocéntrica alemana, reclutada entre 1992 y 2014, limitada a pacientes operados de prostatectomía radical, sin ningún dato demográfico reportado. El artículo tampoco incluye declaración de conflictos de interés, declaración de disponibilidad de datos ni mención de aprobación ética — la financiación, en cambio, sí se detalla (varios proyectos DFG SFB).

Borrar el 91 % de las dimensiones no es un cuello de botella explicable. Este es el límite conceptual. La promesa de un autocodificador disperso es aislar unas pocas dimensiones interpretables que porten la información de dominio. Aquí, enmascarar 256 dimensiones no basta fuera de dominio; hay que retirar 3 500 de 3 840 para obtener una ganancia, y el DoRI combinado sigue siendo negativo incluso entonces. La lectura más económica no es, por tanto, que la información de dominio estuviera concentrada y se haya retirado, sino que está distribuida sobre casi todas las dimensiones y que un enmascaramiento masivo acaba diluyéndola. Los autores reconocen dos limitaciones — un solo modelo de fundación, un solo tipo de SAE, y un solo par de dominios para identificar las dimensiones — pero no esta. A lo que se suma una restricción práctica poco discutida: el método exige, en la fase de desarrollo, imágenes emparejadas y registradas del mismo tejido en dos escáneres, algo de lo que muy pocos laboratorios disponen.

Lo que cambia

Para la comunidad de investigación. El resultado más reutilizable no es EXPOSE, es el conjunto de datos. Seis variantes de protocolo controladas una a una, sobre los mismos pacientes, con pares registrados entre dos escáneres: es un banco de pruebas de desplazamiento de dominio mejor diseñado que la mayoría de los que circulan, y permitiría comparar limpiamente métodos de normalización de tinción, de aumento de datos y de adaptación. La segunda enseñanza es negativa, y es la más útil: en esta cohorte, la hipótesis de superposición de conceptos — cada dimensión dispersa portando un concepto separable — solo se sostiene parcialmente, y las ganancias obtenidas suponiéndola cierta son del orden de un punto de AUROC.

Para clínicos y equipos de despliegue. Hoy no cambia nada en la práctica. Un modelo pronóstico con 0,62 de AUROC fuera de dominio no sustituye ni a la puntuación de Gleason, ni al estadio, ni al PSA postoperatorio, y el artículo tampoco lo compara con ninguno de esos factores clínicos establecidos — un comparador que habría gustado ver. La lección trasladable es más prosaica: cuando un laboratorio cambia de escáner o de protocolo de tinción, un modelo ya validado sobre las láminas antiguas debe revalidarse sobre las nuevas. Este artículo cuantifica el tamaño del problema (hasta diez puntos de AUROC perdidos entre variantes de protocolo) mejor de lo que lo resuelve.

Para pacientes y público general. Ninguna herramienta derivada de este trabajo está en evaluación clínica, prospectiva o regulatoria. Lo que el artículo ilustra, en cambio, merece conocerse fuera del campo técnico: una inteligencia artificial entrenada con imágenes médicas no aprende solamente la enfermedad. Aprende también, y a menudo con la misma fuerza, el aparato que produjo la imagen y la mano que preparó la muestra. Separar ambas cosas sigue siendo, en 2026, un problema abierto.

Para saber más

El preprint: EXPOSE: Explainable and Domain-Robust Embeddings from Pathology Vision Foundation Models using Sparse Autoencoders, arXiv:2608.28191, depositado el 28 de agosto de 2026, licencia CC BY 4.0. El código está publicado en github.com/imsb-uke/expose. El modelo de fundación utilizado es H0-mini, versión destilada de H-Optimus-0. El conjunto de datos de próstata es interno del Centro Médico Universitario Hamburgo-Eppendorf y no se describe como accesible.