En un estudio reciente, los investigadores desarrollaron y evaluaron un modelo de patología basado en IA llamado Prov-GigaPath. Según los investigadores, este es el primer modelo básico de patología de diapositiva completa para diagnosticar células cancerosas entrenado en grandes conjuntos de datos de casos del mundo real.

La patología computacional ayuda a transformar el diagnóstico del cáncer, ayudando a los profesionales a identificar subtipos, etapas y posibles avances de la enfermedad. En muchos estudios, el aprendizaje automático y el aprendizaje profundo han mostrado mejores resultados para la detección temprana de varios tipos de cáncer.

Lea también: Los científicos desarrollan un modelo impulsado por inteligencia artificial para mejorar las inmunoterapias contra el cáncer

Providence Health Systems y la Universidad de Washington llevaron a cabo el último estudio de investigación, publicado en el Journal Nature. Varios equipos internos de Microsoft también colaboraron para facilitar la investigación.

Prov-GigaPath diagnostica el cáncer 

Prov-GigaPath se basa en el método de obtención de imágenes de diapositivas completas, que se aplica ampliamente a la evaluación y el diagnóstico del cáncer.

Diagrama de flujo que muestra la arquitectura del modelo de Prov-GigaPath.

En la técnica de imágenes de portaobjetos completos, un portaobjetos de microscopía de una imagen de tumor se convierte en una imagen digital de alta resolución. Estas imágenes de diapositivas completas contienen información crítica que ayuda a comprender el microambiente del tumor. 

"Prov-Path es más de cinco veces más grande que TCGA en términos de cantidad de mosaicos de imágenes y más de dos veces más grande que TCGA en términos de cantidad de pacientes". Naturaleza.

Prov-GigaPath está capacitado en un gran conjunto de datos llamado Prov-path de Providence Health Network, que cuenta con 28 centros oncológicos. El conjunto de datos tiene más de 1.300 millones de mosaicos de imágenes de 171.189 portaobjetos de microscopía reales. Las diapositivas se desarrollaron durante biopsias y resecciones de más de 30.000 pacientes y cubren 31 tipos de tejidos principales.

El conjunto de datos de Prov-Path también contiene datos sobre la estadificación del cáncer, informes de patología relacionados, perfiles de mutación del genoma y hallazgos histopatológicos. Juntas, estas diversas partes de datos proporcionan una mejor comprensión de las condiciones del modelo.

GigaPath mejora la identificación de diapositivas de gigapíxeles

GigaPath es un nuevo transformador de visión que Prov-GigaPath utiliza para evaluar diapositivas de patología de gigapíxeles. Una diapositiva completa se convierte en una serie de fichas cuando los mosaicos de imágenes se utilizan como fichas visuales. Para simplificar patrones complicados para el modelado de secuencias, el transformador de visión es una arquitectura neuronal.

Gráfico de barras para subtipos de cáncer.

La cuestión es que un transformador de visión convencional no se puede aplicar directamente a la patología digital debido a la gran cantidad de mosaicos en cada portaobjetos de microscopio. En el caso de los datos de Providence, el número de diapositivas puede llegar a 70.121. Los investigadores observaron que,

"Para abordar este problema, aprovechamos la autoatención dilatada adaptando nuestro método LongNet recientemente desarrollado".

Muchas mutaciones genéticas que alteran la función están implicadas en la progresión del cáncer, y pueden detectarse tanto para el diagnóstico como para el pronóstico del cáncer. El estudio señaló que, a pesar de la importante disminución del coste de la secuenciación, todavía existen lagunas sanitarias. Se dice que el acceso a la secuenciación de tumores en todo el mundo es el factor principal de dicha brecha. 

Los investigadores destacaron que predecir mutaciones tumorales a partir de imágenes patológicas puede ayudar a seleccionar métodos de tratamiento y medicación personalizada. 

Los investigadores comparan modelos de patología

La patología digital presenta desafíos computacionales, ya que las diapositivas estándar de gigapíxeles suelen ser miles de veces más grandes que las imágenes naturales tradicionales. Los transformadores de visión convencionales tienen limitaciones y luchan para manejar imágenes tan gigantescas porque los requisitos computacionales aumentan con tales cantidades de datos.

Lea también: Herramienta de inteligencia artificial predice respuestas inmunes en la lucha contra el cáncer

Otro punto es que investigaciones anteriores en patología digital no aprovecharon las interdependencias entre diferentes mosaicos de imágenes en cada portaobjetos de microscopía. Esta ignorancia sobre cómo conectar las interdependencias llevó a eliminar el contexto a nivel de diapositiva, que es crucial para muchas aplicaciones, como el modelado de microambientes tumorales.

Para el estudio, los investigadores compararon Prov-GigaPath con otros modelos básicos de patología disponibles públicamente, como HIPT, Ctranspath y REMEDIS. Los investigadores descubrieron que Prov-gigaPath mostró un mejor rendimiento en 25 de 26 tareas, como señaló el estudio:

"Prov-GigaPath logró una mejora del 23,5% en AUROC (una medida de rendimiento para modelos de clasificación) y del 66,4% en AUPRC (una medida útil cuando se trata de conjuntos de datos desequilibrados) en comparación con el segundo mejor modelo, REMEDIS".

El cáncer puede ser una enfermedad potencialmente mortal y cuesta millones de vidas cada año. Como dijo a CNBC Thomas Fuchs, cofundador y científico jefe del proveedor de patología digital Paige, en una entrevista: “No tienes cáncer hasta que el patólogo lo dice. Ese es el paso crítico en todo el edificio médico”. 

Como sabemos, las técnicas de patología convencionales han ayudado en el diagnóstico de enfermedades porque se basan en gran medida en la observación de muestras de tejido al microscopio. Sin embargo, con la tecnología y la inteligencia artificial a la mano, las prácticas están cambiando y el proceso de identificación y clasificación de los cánceres se ha acelerado. La mayoría de los modelos de patología de IA aprovechan la misma técnica de examinar portaobjetos de microscopía, pero de forma digital. 

Informe criptopolitano de Aamir Sheikh