Bagaimana Model AI Baru Ini Menjadi Tolok Ukur Diagnostik Kanker?

Dalam studi terbaru, para peneliti mengembangkan dan mengevaluasi model patologi berbasis AI yang disebut Prov-GigaPath. Menurut para peneliti, ini adalah model landasan patologi keseluruhan pertama untuk mendiagnosis sel kanker yang dilatih berdasarkan kumpulan data besar dari kasus-kasus dunia nyata.

Patologi komputasi membantu dalam mentransformasikan diagnosis kanker, membantu para profesional mengidentifikasi subtipe penyakit, tahapan, dan kemungkinan kemajuannya. Dalam banyak penelitian, pembelajaran mesin dan pembelajaran mendalam telah menunjukkan hasil yang lebih baik untuk deteksi dini berbagai jenis kanker.

Baca juga: Ilmuwan Mengembangkan Model Bertenaga AI untuk Meningkatkan Imunoterapi Kanker

Providence Health Systems dan University of Washington melakukan penelitian terbaru yang dipublikasikan di Journal Nature. Sejumlah tim internal Microsoft juga berkolaborasi untuk memfasilitasi penelitian ini.

Prov-GigaPath Mendiagnosis Kanker 

Prov-GigaPath dibangun berdasarkan metode pencitraan keseluruhan slide, yang diterapkan secara luas pada evaluasi dan diagnosis kanker.

Diagram alir menunjukkan arsitektur model Prov-GigaPath.

Dalam teknik pencitraan keseluruhan slide, slide mikroskop dari gambar tumor diubah menjadi gambar digital beresolusi tinggi. Gambar keseluruhan slide ini berisi informasi penting yang membantu memahami lingkungan mikro tumor. 

“Prov-Path lima kali lebih besar dari TCGA dalam hal jumlah ubin gambar dan lebih dari dua kali lebih besar dari TCGA dalam hal jumlah pasien.” Alam.

Prov-GigaPath dilatih pada kumpulan data besar yang disebut Prov-path dari Providence Health Network, yang memiliki 28 pusat kanker. Kumpulan data ini memiliki lebih dari 1,3 miliar ubin gambar dari 171.189 slide mikroskop sebenarnya. Slide ini dikembangkan selama biopsi dan reseksi lebih dari 30.000 pasien dan mencakup 31 jenis jaringan utama.

Dataset Prov-Path juga berisi data tentang stadium kanker, laporan patologi terkait, profil mutasi genom, dan temuan histopatologi. Secara bersama-sama, bagian data yang beragam ini memberikan pemahaman yang lebih baik tentang kondisi model.

GigaPath Meningkatkan Identifikasi Slide Gigapixel

GigaPath adalah transformator visi baru yang digunakan Prov-GigaPath untuk mengevaluasi slide patologi gigapixel. Slide lengkap menjadi serangkaian token ketika ubin gambar digunakan sebagai token visual. Untuk menyederhanakan pola rumit untuk pemodelan urutan, transformator visi adalah arsitektur saraf.

Bar Plot untuk subtipe kanker.

Intinya trafo penglihatan konvensional tidak bisa diterapkan langsung pada patologi digital karena banyaknya ubin di setiap slide mikroskop. Dalam kasus data Providence, jumlah slide bisa mencapai 70.121. Para peneliti mencatat bahwa,

“Untuk mengatasi masalah ini, kami memanfaatkan perluasan perhatian pada diri sendiri dengan mengadaptasi metode LongNet yang baru kami kembangkan.”

Banyak mutasi gen yang mengubah fungsi terlibat dalam perkembangan kanker, yang dapat disaring untuk diagnosis dan prognosis kanker. Studi ini mencatat bahwa meskipun terdapat penurunan signifikan dalam biaya pengurutan, masih terdapat kesenjangan layanan kesehatan. Akses terhadap pengurutan tumor di seluruh dunia dikatakan sebagai faktor utama kesenjangan tersebut. 

Para peneliti menyoroti bahwa memprediksi mutasi tumor dari gambar patologi dapat membantu memilih metode pengobatan dan pengobatan yang dipersonalisasi. 

Peneliti Membandingkan Model Patologi

Patologi digital memiliki tantangan komputasi, karena slide gigapiksel standar biasanya ribuan kali lebih besar daripada gambar alami tradisional. Transformator visi konvensional memiliki keterbatasan dan kesulitan menangani gambar sebesar itu karena kebutuhan komputasi meningkat seiring dengan jumlah data yang begitu banyak.

Baca juga: Alat AI Memprediksi Respon Kekebalan Tubuh dalam Melawan Kanker

Hal lainnya adalah bahwa penelitian sebelumnya di bidang patologi digital tidak memanfaatkan saling ketergantungan antar ubin gambar yang berbeda di setiap slide mikroskop. Ketidaktahuan dalam menghubungkan saling ketergantungan menyebabkan hilangnya konteks tingkat slide, yang sangat penting untuk banyak aplikasi, seperti pemodelan lingkungan mikro tumor.

Para peneliti membandingkan Prov-GigaPath dengan model dasar patologi lain yang tersedia untuk umum seperti HIPT, Ctranspath, dan REMEDIS untuk penelitian ini. Para peneliti menemukan bahwa Prov-gigaPath menunjukkan kinerja yang lebih baik pada 25 dari 26 tugas, sebagaimana dicatat oleh penelitian tersebut,

“Prov-GigaPath mencapai peningkatan sebesar 23,5% pada AUROC (ukuran kinerja untuk model klasifikasi) dan 66,4% pada AUPRC (ukuran yang berguna ketika menangani kumpulan data yang tidak seimbang) dibandingkan dengan model terbaik kedua, REMEDIS.”

Kanker bisa menjadi penyakit yang mengancam jiwa, dan menyebabkan jutaan nyawa melayang setiap tahunnya. Seperti yang dikatakan Thomas Fuchs, salah satu pendiri dan kepala ilmuwan di penyedia patologi digital Paige kepada CNBC dalam sebuah wawancara, “Anda tidak akan mengidap kanker sampai ahli patologi mengatakannya. Itu adalah langkah penting dalam keseluruhan bangunan medis.” 

Seperti kita ketahui, teknik patologi konvensional telah membantu dalam diagnosis penyakit karena teknik tersebut sebagian besar mengandalkan pengamatan sampel jaringan di bawah mikroskop. Namun, dengan adanya teknologi dan kecerdasan buatan, praktiknya berubah, dan proses identifikasi dan klasifikasi kanker pun semakin cepat. Sebagian besar model patologi AI memanfaatkan teknik pemeriksaan slide mikroskop yang sama tetapi dengan cara digital. 

Pelaporan Cryptopolitan oleh Aamir Sheikh