Weakly Supervised Multicentric Grading of Ulcerative Colitis using Multiple Instance Learning and Histopathology Foundation Models

Bc. Adam Kukučka

Diplomová práce

Anotace:

Histologické posúdenie aktivity ulceróznej kolitídy (UC) je dôležitým koncovým ukazovateľom v klinických štúdiách a bežnej praxi, ale manuálne hodnotenie pomocou indexov, ako je histologický index Nancy (NHI), je časovo náročné a náchylné na variabilitu medzi pozorovateľmi. Hoci metódy digitálnej patológie dokážu automatizovať skórovanie, mnohé prístupy závisia od hustých anotácií na úrovni regiónov, ktorých získanie je nákladné, a to najmä v heterogénnych, multicentrických kohortách. Navrhujeme prístup učenia z viacerých inštancií so slabým dohľadom (weakly supervised multiple instance learning, MIL) pre obrazy celých preparátov, ktorý sa učí z označení NHI na úrovni jednotlivých prípadov a sklíčok s využitím základných modelov (foundation models). Naša metóda sa zameriava na klinicky relevantné koncové ukazovatele, vrátane neutrofilnej aktivity a z nich odvodených zoskupení s nízkym/vysokým skóre Nancy. Tieto špecializované vetvy sú prepojené prostredníctvom Markovovho reťazca, čo umožňuje kompletnú päťstupňovú predikciu NHI spolu so skóre spoľahlivosti, ktoré zohľadňuje ordinálne usporiadanie. Na multicentrickom súbore údajov biopsií hrubého čreva farbených H&E z troch nemocníc (2019 – 2025) hodnotíme viaceré enkodéry základných modelov a stratégie agregácie. Zistili sme, že výber základného modelu a jeho rozlíšenie podstatne ovplyvňujú výkonnosť, pričom model Virchow2 poskytuje najkonzistentnejšie zlepšenia, a že jednoduché pravidlo pre zlaďovanie modelov (ensembling) zlepšuje predikciu päťstupňového NHI v porovnaní so základným modelom hierarchického hradlovania. Zásadné je, že náš model dosahuje vysokú zhodu na vyčlenených testovacích dátach (vážené κ = 0,85), čím dokazuje, že je vysoko konkurencieschopný v porovnaní so špičkovými plne kontrolovanými (fully-supervised) systémami, napriek tomu, že sa spolieha len na slabé anotácie. Celkovo naše výsledky dokazujú, že MIL so slabým dohľadom, využívajúce moderné reprezentácie základných modelov v kombinácii s prísnou kvantifikáciou neistoty, dokáže poskytnúť robustné a interpretovateľné posúdenie histologickej aktivity UC v reálnych multicentrických podmienkach.

Abstract:

Histologic assessment of ulcerative colitis (UC) activity is an important endpoint in clinical trials and routine care, but manual grading with indices such as the Nancy histological index (NHI) is time-consuming and prone to observer variability. While computational pathology methods can automate scoring, many approaches depend on dense region-level annotations, which are costly to obtain, particularly in heterogeneous, multicenter cohorts. We propose a weakly supervised multiple instance learning (MIL) approach for whole-slide images that learns from case- and slide-level NHI labels, leveraging foundation models. Our method targets clinically relevant endpoints, including neutrophilic activity and derived Nancy-low/high groupings. These specialized branches are unified via a Markov Chain, enabling full five-grade NHI prediction alongside an ordinal-aware confidence score. On a multicenter dataset of H&E-stained colon biopsies from three hospitals (2019 – 2025), we evaluate multiple foundation model encoders and aggregation strategies. We find that foundation model choice and resolution substantially affect performance, with Virchow2 providing the most consistent gains, and that a simple ensembling rule improves five-grade NHI prediction compared to a hierarchical gating baseline. Crucially, our model achieves high agreement on hold-out data (weighted κ = 0.85), proving highly competitive with fully-supervised state-of-the-art systems despite relying only on weak labels. Overall, our results demonstrate that weakly supervised MIL with modern foundation-model representations, combined with rigorous uncertainty quantification, can provide robust, interpretable UC histology activity assessment in realistic multicenter settings.

Keywords

Multiple instance learning (MIL), Weakly supervised learning, Whole-slide imaging, Computational pathology, Pathology foundation models, Ulcerative colitis, Nancy histological index, Histologic activity scoring

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 19. 5. 2026

Obhajoba závěrečné práce

• Obhajoba proběhla 15. 6. 2026
• Vedoucí: RNDr. Vít Musil, Ph.D.
• Oponent: doc. RNDr. Petr Novotný, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Strojové učení a umělá inteligence