Optimización de la Indexación de Imágenes de Diapositivas Completas a Través de la Reducción de Redundancia

El crecimiento acelerado de la patología digital ha creado una necesidad urgente de indexación y recuperación eficientes de imágenes de diapositivas completas (WSI). Esta demanda se intensifica con la aparición de técnicas de IA generativa, especialmente la generación aumentada por recuperación (RAG), que dependen de búsquedas de similitud confiables para decisiones clínicas críticas. Sin embargo, los altos costos de las soluciones de almacenamiento avanzadas limitan la capacidad de muchas instituciones de salud para escalar la indexación de WSI. Por lo tanto, la investigación que se centra en reducir las necesidades de almacenamiento mientras se mantiene la precisión de recuperación es vital. Presentamos ARReST (Estrategia de Reducción de Redundancia Antitética), un marco estratégico que utiliza la redundancia entre diferentes tipos de tejidos para reducir significativamente el número de parches que deben ser indexados de cada WSI. En lugar de eliminar solo duplicados dentro de la misma clase, ARReST identifica parches antitéticos—aquellos que contribuyen mínimamente a la discriminación entre clases—y los elimina del índice. Este enfoque focalizado comprime efectivamente el índice sin sacrificar la diversidad morfológica ni la fidelidad de recuperación. Al minimizar las representaciones de parches superfluas, ARReST reduce la huella de almacenamiento, disminuye la carga computacional y acelera la búsqueda de similitud en grandes repositorios de patología. Experimentos realizados en el repositorio TCGA muestran que ARReST logra una compresión de índice significativa, con ahorros de almacenamiento que oscilan entre el 3 % y el 60 %, manteniendo un rendimiento de recuperación competitivo para muchos órganos. Esta estrategia innovadora permite una indexación de WSI escalable y rentable, adecuada para sistemas de IA clínica impulsados por recuperación de próxima generación.