In uno studio recente, i ricercatori hanno sviluppato e valutato un modello patologico basato sull’intelligenza artificiale chiamato Prov-GigaPath. Secondo i ricercatori, questo è il primo modello di base patologico su vetrino intero per la diagnosi di cellule tumorali addestrate su grandi set di dati provenienti da casi reali.

La patologia computazionale aiuta a trasformare la diagnosi del cancro, aiutando i professionisti a identificare i sottotipi, gli stadi e i possibili progressi della malattia. In molti studi, l’apprendimento automatico e il deep learning hanno mostrato risultati migliori per la diagnosi precoce di tumori di vario tipo.

Leggi anche: Gli scienziati sviluppano un modello basato sull'intelligenza artificiale per migliorare le immunoterapie contro il cancro

La Providence Health Systems e l'Università di Washington hanno condotto l'ultimo studio di ricerca, pubblicato sul Journal Nature. Anche diversi team interni di Microsoft hanno collaborato per facilitare la ricerca.

Prov-GigaPath diagnostica il cancro 

Prov-GigaPath si basa sul metodo di imaging dell'intero vetrino, ampiamente applicato alla valutazione e alla diagnosi del cancro.

Diagramma di flusso che mostra l'architettura del modello di Prov-GigaPath.

Nella tecnica di imaging a vetrino intero, un vetrino al microscopio di un'immagine del tumore viene trasformato in un'immagine digitale ad alta risoluzione. Queste immagini dell'intero diapositivo contengono informazioni critiche che aiutano a comprendere il microambiente tumorale. 

"Prov-Path è più di cinque volte più grande di TCGA in termini di numero di riquadri di immagini e più di due volte più grande di TCGA in termini di numero di pazienti." Natura.

Prov-GigaPath è addestrato su un ampio set di dati chiamato Prov-path della Providence Health Network, che conta 28 centri oncologici. Il set di dati comprende oltre 1,3 miliardi di riquadri di immagini provenienti da 171.189 vetrini microscopici effettivi. Le diapositive sono state sviluppate durante biopsie e resezioni di oltre 30.000 pazienti e coprono 31 principali tipi di tessuti.

Il set di dati Prov-Path contiene anche dati sulla stadiazione del cancro, rapporti patologici correlati, profili di mutazione del genoma e risultati istopatologici. Insieme, queste diverse parti di dati forniscono una migliore comprensione delle condizioni del modello.

GigaPath migliora l'identificazione delle diapositive Gigapixel

GigaPath è un nuovo trasformatore di visione che Prov-GigaPath utilizza per valutare i vetrini di patologia gigapixel. Una diapositiva completa diventa una serie di token quando i riquadri immagine vengono utilizzati come token visivi. Per semplificare modelli complicati per la modellazione di sequenze, il trasformatore di visione è un'architettura neurale.

Grafico a barre per la sottotipizzazione del cancro.

Il punto è che un trasformatore di visione convenzionale non può essere applicato direttamente alla patologia digitale a causa dell’enorme numero di piastrelle in ciascun vetrino da microscopio. Nel caso dei dati della Providence, il numero di diapositive può arrivare fino a 70.121. I ricercatori hanno notato che,

“Per affrontare questo problema, sfruttiamo l’attenzione dilatata verso se stessi adattando il nostro metodo LongNet recentemente sviluppato”.

Molte mutazioni genetiche che alterano la funzione sono coinvolte nella progressione del cancro, che può essere esaminata sia per la diagnosi che per la prognosi del cancro. Lo studio ha rilevato che, nonostante la significativa diminuzione dei costi del sequenziamento, esistono ancora lacune a livello sanitario. Si ritiene che l’accesso al sequenziamento dei tumori in tutto il mondo sia il fattore principale di tale divario. 

I ricercatori hanno evidenziato che la previsione delle mutazioni tumorali dalle immagini patologiche può aiutare a selezionare metodi di trattamento e farmaci personalizzati. 

I ricercatori confrontano i modelli patologici

La patologia digitale presenta sfide computazionali, poiché le diapositive gigapixel standard sono solitamente migliaia di volte più grandi delle tradizionali immagini naturali. I trasformatori di visione convenzionali presentano limitazioni e faticano a gestire immagini così gigantesche perché i requisiti computazionali aumentano con tali quantità di dati.

Leggi anche: Lo strumento AI predice le risposte immunitarie nella lotta contro il cancro

Un altro punto è che la ricerca precedente sulla patologia digitale non ha sfruttato le interdipendenze tra i diversi riquadri di immagini in ciascun vetrino al microscopio. Questa ignoranza del collegamento delle interdipendenze ha portato all’eliminazione del contesto a livello di diapositiva, che è cruciale per molte applicazioni, come la modellazione del microambiente tumorale.

I ricercatori hanno confrontato Prov-GigaPath con altri modelli di base patologica disponibili al pubblico come HIPT, Ctranspath e REMEDIS per lo studio. I ricercatori hanno scoperto che Prov-gigaPath ha mostrato prestazioni migliori in 25 attività su 26, poiché lo studio ha osservato che,

“Prov-GigaPath ha ottenuto un miglioramento del 23,5% nell’AUROC (una misura di prestazione per i modelli di classificazione) e del 66,4% nell’AUPRC (una misura utile quando si ha a che fare con set di dati sbilanciati) rispetto al secondo modello migliore, REMEDIS.”

Il cancro può essere una malattia mortale e costa milioni di vite ogni anno. Come ha detto in un’intervista alla CNBC Thomas Fuchs, co-fondatore e capo scienziato del fornitore di patologia digitale Paige, “Non hai il cancro finché non lo dice il patologo. Questo è il passaggio fondamentale dell’intero edificio medico”. 

Come sappiamo, le tecniche patologiche convenzionali hanno contribuito alla diagnosi delle malattie perché si basano in gran parte sull’osservazione di campioni di tessuto al microscopio. Tuttavia, con la tecnologia e l’intelligenza artificiale a portata di mano, le pratiche stanno cambiando e il processo di identificazione e classificazione dei tumori ha subito un’accelerazione. La maggior parte dei modelli di patologia dell’intelligenza artificiale sfruttano la stessa tecnica di esame dei vetrini al microscopio, ma in modo digitale. 

Reportage criptopolita di Aamir Sheikh