How Does This New AI Model Set the Benchmark for Cancer Diagnostics?

Cryptopolitan · 2024-05-25T12:23:01.000Z

In a recent study, researchers developed and evaluated an AI-based pathology model called Prov-GigaPath. According to the researchers, this is the first whole-slide pathology foundation model for diagnosing cancer cells trained on large data sets from real-world cases. Computational pathology aids in transforming cancer diagnosis, helping professionals identify disease subtypes, stages, and possible progress. In many studies, machine learning and deep learning have shown better results for early cancer detection of various types. Also read: Scientists Develop AI-Powered Model to Enhance Cancer Immunotherapies Providence Health Systems and the University of Washington conducted the latest research study, published in the Journal Nature. A number of Microsoft’s in-house teams also collaborated to facilitate the research. Prov-GigaPath Diagnoses Cancer Prov-GigaPath builds on the whole-slide imaging method, which is widely applied to cancer evaluation and diagnosis. Flow chart showing the model architecture of Prov-GigaPath. In the whole-slide imaging technique, a microscopy slide of a tumor image is turned into a high-resolution digital image. These whole-slide images contain critical information that helps understand the tumor microenvironment. “Prov-Path is more than five times larger than TCGA in terms of the number of image tiles and more than two times larger than TCGA in terms of the number of patients.” Nature. Prov-GigaPath is trained on a large dataset called Prov-path from Providence Health Network, which has 28 cancer centers. The dataset has over 1.3 billion image tiles from 171,189 actual microscopy slides. The slides were developed during biopsies and resections of more than 30,000 patients and cover 31 major tissue types. The Prov-Path dataset also contains data on cancer staging, related pathology reports, genome mutation profiles, and histopathology findings. Together, these diverse data parts provide a better understanding of the conditions for the model. GigaPath Enhances Gigapixel Slides Identification GigaPath is a new vision transformer that Prov-GigaPath uses to evaluate gigapixel pathology slides. A complete slide becomes a series of tokens when the image tiles are used as visual tokens. In order to simplify complicated patterns for sequence modeling, the vision transformer is a neural architecture. Bar Plot for cancer subtyping. The point is that a conventional vision transformer cannot be applied directly to digital pathology because of the sheer number of tiles in each microscope slide. In the case of Providence data, the number of slides can be as high as 70,121. The researchers noted that, “To address this problem, we leverage dilated self-attention by adapting our recently developed LongNet method.” Many function-altering gene mutations are involved in cancer progression, which can be screened for both cancer diagnosis and prognosis. The study noted that despite the significant decrease in the cost of sequencing, there are still healthcare gaps. Access to tumor sequencing worldwide is said to be the primary factor for the said gap. The researchers highlighted that predicting tumor mutations from pathology images can help select treatment methods and personalized medication. Researchers Compare Pathology Models Digital pathology has computational challenges, as standard gigapixel slides are usually thousands of times larger than traditional natural images. Conventional vision transformers have limitations and struggle to handle such gigantic images because computational requirements increase with such amounts of data. Also read: AI Tool Predicts Immune Responses in Fight Against Cancer Another point is that previous research in digital pathology did not leverage the interdependencies across different image tiles in each microscopy slide. This ignorance of connecting the interdependencies led to eliminating slide-level context, which is crucial for many applications, such as tumor microenvironment modeling. Researchers compared Prov-GigaPath against other publicly available pathology foundation models such as HIPT, Ctranspath, and REMEDIS for the study. Researchers found that Prov-gigaPath showed better performance on 25 out of 26 tasks, as the study noted that, “Prov-GigaPath attained an improvement of 23.5% in AUROC (a performance measure for classification models) and 66.4% in AUPRC (a measure useful when dealing with imbalanced datasets) compared with the second-best model, REMEDIS.” Cancer can be a life-threatening disease, and it costs millions of lives every year. As Thomas Fuchs, the co-founder and chief scientist at digital pathology provider Paige, told CNBC in an interview, “You don’t have cancer until the pathologist says so. That’s the critical step in the whole medical edifice.” As we know, conventional pathology techniques have assisted in the diagnosis of diseases because they largely rely on looking at tissue samples under a microscope. However, with technology and artificial intelligence at hand, practices are changing, and the process of identifying and classifying cancers has accelerated. Most AI pathology models leverage the same technique of examining microscopy slides but in a digital way. Cryptopolitan reporting by Aamir Sheikh

In einer aktuellen Studie haben Forscher ein KI-basiertes Pathologiemodell namens Prov-GigaPath entwickelt und evaluiert. Den Forschern zufolge handelt es sich dabei um das erste Pathologie-Grundmodell für die Diagnose von Krebszellen, das auf großen Datensätzen aus realen Fällen trainiert wurde.
Die computergestützte Pathologie trägt zur Transformation der Krebsdiagnose bei und hilft Fachleuten, Krankheitssubtypen, Stadien und mögliche Krankheitsverläufe zu identifizieren. In vielen Studien haben maschinelles Lernen und Deep Learning bessere Ergebnisse bei der Früherkennung verschiedener Krebsarten gezeigt.
Lesen Sie auch: Wissenschaftler entwickeln KI-gestütztes Modell zur Verbesserung von Krebsimmuntherapien
Providence Health Systems und die University of Washington haben die neueste Forschungsstudie durchgeführt, die im Journal Nature veröffentlicht wurde. Mehrere interne Teams von Microsoft haben ebenfalls an der Untersuchung mitgearbeitet.
Prov-GigaPath diagnostiziert Krebs 
Prov-GigaPath basiert auf der Methode der Ganzglasbildgebung, die häufig bei der Beurteilung und Diagnose von Krebs angewendet wird.
Flussdiagramm, das die Modellarchitektur von Prov-GigaPath zeigt.
Bei der Whole-Slide-Imaging-Technik wird ein mikroskopischer Objektträger mit einem Tumorbild in ein hochauflösendes digitales Bild umgewandelt. Diese Whole-Slide-Bilder enthalten wichtige Informationen, die zum Verständnis der Tumormikroumgebung beitragen.
„Prov-Path ist hinsichtlich der Anzahl der Bildkacheln mehr als fünfmal größer als TCGA und hinsichtlich der Anzahl der Patienten mehr als doppelt so groß wie TCGA.“ Nature.
Prov-GigaPath wird anhand eines großen Datensatzes namens Prov-path des Providence Health Network trainiert, das 28 Krebszentren umfasst. Der Datensatz enthält über 1,3 Milliarden Bildkacheln von 171.189 echten Mikroskopie-Objektträgern. Die Objektträger wurden während Biopsien und Resektionen von mehr als 30.000 Patienten entwickelt und decken 31 wichtige Gewebetypen ab.
Der Prov-Path-Datensatz enthält auch Daten zur Krebsstadieneinteilung, zugehörige Pathologieberichte, Genommutationsprofile und histopathologische Befunde. Zusammen ermöglichen diese unterschiedlichen Datenteile ein besseres Verständnis der Bedingungen für das Modell.
GigaPath verbessert die Identifizierung von Gigapixel-Objektträgern
GigaPath ist ein neuer Vision Transformer, den Prov-GigaPath zur Auswertung von Gigapixel-Pathologie-Objektträgern verwendet. Ein vollständiger Objektträger wird zu einer Reihe von Token, wenn die Bildkacheln als visuelle Token verwendet werden. Um komplizierte Muster für die Sequenzmodellierung zu vereinfachen, ist der Vision Transformer eine neuronale Architektur.
Balkendiagramm zur Krebs-Subtypisierung.
Der Punkt ist, dass ein herkömmlicher Vision Transformer aufgrund der schieren Anzahl von Kacheln in jedem Mikroskopobjektträger nicht direkt auf die digitale Pathologie angewendet werden kann. Im Fall der Providence-Daten kann die Anzahl der Objektträger bis zu 70.121 betragen. Die Forscher stellten fest, dass
„Um dieses Problem zu lösen, nutzen wir die erweiterte Selbstaufmerksamkeit, indem wir unsere kürzlich entwickelte LongNet-Methode anpassen.“
Viele funktionsverändernde Genmutationen sind an der Krebsentwicklung beteiligt und können sowohl zur Krebsdiagnose als auch zur Prognose untersucht werden. Die Studie stellte fest, dass trotz der deutlichen Senkung der Sequenzierungskosten immer noch Lücken in der Gesundheitsversorgung bestehen. Der weltweite Zugang zur Tumorsequenzierung soll der Hauptfaktor für diese Lücke sein.
Die Forscher betonten, dass die Vorhersage von Tumormutationen anhand pathologischer Bilder bei der Auswahl von Behandlungsmethoden und personalisierter Medikamente helfen kann.
Forscher vergleichen Pathologiemodelle
Die digitale Pathologie ist mit rechnerischen Herausforderungen verbunden, da Standard-Gigapixel-Objektträger normalerweise tausende Male größer sind als herkömmliche natürliche Bilder. Herkömmliche Bildtransformatoren haben Einschränkungen und haben Probleme, solche gigantischen Bilder zu verarbeiten, da der Rechenaufwand mit solchen Datenmengen steigt.
Lesen Sie auch: KI-Tool sagt Immunreaktionen im Kampf gegen Krebs voraus
Ein weiterer Punkt ist, dass frühere Forschungen in der digitalen Pathologie die gegenseitigen Abhängigkeiten zwischen den verschiedenen Bildkacheln in jedem Mikroskopieobjektträger nicht berücksichtigten. Diese Unkenntnis der Zusammenhänge führte dazu, dass der Kontext auf Objektträgerebene eliminiert wurde, der für viele Anwendungen, wie etwa die Modellierung der Tumormikroumgebung, von entscheidender Bedeutung ist.
Für die Studie verglichen die Forscher Prov-GigaPath mit anderen öffentlich verfügbaren Pathologie-Grundmodellen wie HIPT, Ctranspath und REMEDIS. Die Forscher fanden heraus, dass Prov-gigaPath bei 25 von 26 Aufgaben eine bessere Leistung zeigte. Die Studie stellte fest, dass
„Prov-GigaPath erreichte im Vergleich zum zweitbesten Modell, REMEDIS, eine Verbesserung von 23,5 % bei AUROC (einem Leistungsmaß für Klassifizierungsmodelle) und 66,4 % bei AUPRC (einem nützlichen Maß beim Umgang mit unausgewogenen Datensätzen.“
Krebs kann eine lebensbedrohliche Krankheit sein und kostet jedes Jahr Millionen von Menschenleben. Thomas Fuchs, Mitbegründer und Chefwissenschaftler beim Anbieter digitaler Pathologie Paige, sagte in einem Interview mit CNBC: „Sie haben erst Krebs, wenn der Pathologe es sagt. Das ist der entscheidende Schritt im gesamten medizinischen Konstrukt.“
Wie wir wissen, haben herkömmliche Pathologietechniken bei der Diagnose von Krankheiten geholfen, da sie größtenteils auf der Untersuchung von Gewebeproben unter dem Mikroskop beruhen. Mit der verfügbaren Technologie und künstlicher Intelligenz ändern sich jedoch die Verfahren, und der Prozess der Identifizierung und Klassifizierung von Krebserkrankungen hat sich beschleunigt. Die meisten KI-Pathologiemodelle nutzen dieselbe Technik der Untersuchung von Mikroskopobjektträgern, jedoch auf digitale Weise.
Cryptopolitan-Berichterstattung von Aamir Sheikh

Wie setzt dieses neue KI-Modell den Maßstab für die Krebsdiagnostik?

Weitere Inhalte des Erstellers entdecken

Aktuelle Nachrichten