Active Learning Loop

La aproximación de ColabBio (desacoplamiento de mosaicos/características y modelo clasificador abMIL) es perfecta y nativa para implementar un ciclo de vida de aprendizaje continuo, federado y diagnóstico asistido por IA.

Este flujo describe con total precisión la propuesta de valor de ColabBio al conectar la plataforma genérica de visualización (cb_path_viewer integrado con OMERO) con el pipeline de aprendizaje en el borde de cada hospital.

Aquí tienes el diseño detallado de cómo fluye esta arquitectura en un bucle cerrado (Active Learning Loop):

---

Diagrama del Flujo de Datos Arquitectónico

graph TD
    %% Estilo de nodos
    classDef hospital fill:#1a233a,stroke:#3b82f6,stroke-width:2px,color:#fff;
    classDef cloud fill:#0f172a,stroke:#10b981,stroke-width:2px,color:#fff;
    classDef data fill:#2e1065,stroke:#a855f7,stroke-width:2px,color:#fff;

    subgraph Hospital_Local ["🏥 Nodo Hospitalario (Edge)"]
        Scanner["1. Scanner / PACS / Orthanc"] -->|Nueva Diapositiva .svs/.dcm| SlideLab["2. SlideLab local"]
        SlideLab -->|Mosaicos y coordenadas| LocalH5[("3. Almacenamiento Local .h5")]
        LocalH5 -->|Entrenamiento abMIL incremental| LocalTrain["4. Entrenamiento Local abMIL"]
        LocalTrain -->|Logs, Métricas y Checkpoints| LocalMLflow[("5. MLflow Local")]
        LocalTrain -->|Pesos Locales actualizados| FLSidecar["6. ColabBio FL Sidecar"]
    end

    subgraph GCP_Cloud ["☁️ Nube Central (GCP)"]
        FLSidecar -->|Solo pesos del modelo, sin imágenes| CloudAggregator["7. Agregador Central (NVIDIA Flare)"]
        CloudAggregator -->|Consolidación FedAvg| GlobalModel["8. Modelo abMIL Global Consolidado"]
        GlobalModel -->|Distribución de pesos optimizados| FLSidecar
    end

    subgraph Visualizacion_Local ["🔬 Visor de Patología Clínico (Local)"]
        LocalTrain -->|9. Exportar pesos locales/globales| Inference["10. Inferencia local"]
        LocalH5 -->|Coordenadas reales| Inference
        Inference -->|11. Cálculo de pesos de Atención| AttentionHeatmap["12. Mapa de Calor de Atención"]
        AttentionHeatmap -->|13. Overlay de Diagnóstico| PathViewer["14. cb_path_viewer (OMERO / Flutter)"]
        PathViewer -->|15. Validación del Patólogo| Scanner
    end

    %% Aplicación de estilos
    class Scanner,SlideLab,LocalTrain,FLSidecar,Inference,PathViewer hospital;
    class CloudAggregator,GlobalModel cloud;
    class LocalH5,LocalMLflow,AttentionHeatmap,ActiveLearning data;

---

Desglose Técnico del Ciclo de Vida Continuo

1. Entrenamiento Periódico e Ingesta Local (Continuous learning)

A medida que el hospital escanea nuevas biopsias, un evento en el servidor PACS (o Orthanc DICOM) activa un Cron job o Webhook de Nextflow.

• SlideLab procesa la nueva imagen localmente en CPU/GPU de forma asíncrona, escribe los mosaicos y las coordenadas en el H5 del paciente.
• Frecuencia: Puede correr de noche o semanalmente, asegurando que el almacenamiento local siempre esté actualizado y “ML-ready”.

2. MLflow Local para Gobernanza

Cada hospital ejecuta su entrenamiento incremental sobre los nuevos datos acumulados.

• El script registra los parámetros clínicos de la cohorte, las curvas de Loss y los pesos resultantes en el MLflow local del nodo hospitalario.
• Esto garantiza que cada hospital tiene un registro estricto de gobernanza de sus modelos locales antes de cualquier comunicación exterior.

3. Agregación Federada Segura (Cloud)

El agente de red ColabBio Federated Sidecar detecta el checkpoint del modelo local entrenado.

• Envía únicamente los pesos numéricos del clasificador abMIL hacia la instancia agregadora en GCP (corriendo nuestro federated_aggregator).
• Privacidad Absoluta: Ninguna imagen médica ni metadato de paciente sale jamás de la red interna del hospital, cumpliendo estrictamente con HIPAA y GDPR.
• El agregador calcula el modelo global agregando las contribuciones de todos los hospitales y devuelve el modelo consolidado de vuelta al Sidecar.

4. Distribución y Visualización de Mapas de Atención (Heatmaps)

Este es el beneficio clínico directo para los patólogos. El modelo abMIL clasifica la diapositiva y, gracias a su mecanismo de atención, genera un peso de atención por cada mosaico (p. ej., de 0 a 1.0).

• El sistema de inferencia local toma estos pesos de atención y las coordenadas del archivo H5, y genera un Mapa de Calor de Atención (Attention Overlay) en formato PNG/JSON o pirámide TIFF.
• Este mapa de calor se inyecta directamente en cb_path_viewer (el visor web Flutter integrado sobre el OMERO local del hospital).
• Impacto Clínico: Cuando el patólogo abre la biopsia en el visor, ve una capa superpuesta (overlay) translúcida de color rojo/naranja sobre las regiones histológicas exactas que la IA determinó como tumorales o de alta malignidad, actuando como un asistente de diagnóstico en tiempo real altamente preciso tiempo de lectura reducido y un doble chequeo automatizado de diagnóstico asistido.