Nesenā pētījumā pētnieki izstrādāja un novērtēja uz AI balstītu patoloģijas modeli ar nosaukumu Prov-GigaPath. Pēc pētnieku domām, šis ir pirmais visa slaida patoloģijas pamata modelis vēža šūnu diagnosticēšanai, kas apmācītas uz lielām datu kopām no reāliem gadījumiem.

Skaitļošanas patoloģija palīdz pārveidot vēža diagnozi, palīdzot speciālistiem noteikt slimības apakštipus, stadijas un iespējamo progresu. Daudzos pētījumos mašīnmācīšanās un dziļā mācīšanās ir uzrādījušas labākus rezultātus dažādu veidu vēža agrīnai noteikšanai.

Lasiet arī: Zinātnieki izstrādā ar AI darbinātu modeli, lai uzlabotu vēža imūnterapijas

Providence Health Systems un Vašingtonas Universitāte veica jaunāko pētījumu, kas publicēts žurnālā Nature. Vairākas Microsoft iekšējās komandas arī sadarbojās, lai atvieglotu pētījumu.

Prov-GigaPath diagnosticē vēzi 

Prov-GigaPath pamatā ir visa slaida attēlveidošanas metode, ko plaši izmanto vēža novērtēšanā un diagnostikā.

Plūsmas diagramma, kurā parādīta Prov-GigaPath modeļa arhitektūra.

Visa slaida attēlveidošanas tehnikā audzēja attēla mikroskopijas priekšmetstikliņus pārvērš augstas izšķirtspējas digitālā attēlā. Šie visa slaida attēli satur svarīgu informāciju, kas palīdz izprast audzēja mikrovidi. 

"Prov-Path ir vairāk nekā piecas reizes lielāks nekā TCGA attēlu flīžu skaita ziņā un vairāk nekā divas reizes lielāks nekā TCGA pacientu skaita ziņā." Daba.

Prov-GigaPath ir apmācīts, izmantojot lielu datu kopu ar nosaukumu Prov-path no Providence Health Network, kurā ir 28 vēža centri. Datu kopā ir vairāk nekā 1,3 miljardi attēlu elementu no 171 189 faktiskajiem mikroskopijas priekšmetstikliņiem. Priekšmetstikliņi tika izstrādāti vairāk nekā 30 000 pacientu biopsiju un rezekcijas laikā, un tie aptver 31 galveno audu tipu.

Prov-Path datu kopā ir arī dati par vēža stadiju, saistīto patoloģiju ziņojumiem, genoma mutāciju profiliem un histopatoloģijas atradumiem. Šīs dažādās datu daļas kopā nodrošina labāku izpratni par modeļa nosacījumiem.

GigaPath uzlabo gigapikseļu slaidu identifikāciju

GigaPath ir jauns redzes transformators, ko Prov-GigaPath izmanto, lai novērtētu gigapikseļu patoloģijas slaidus. Pilns slaids kļūst par marķieru sēriju, kad attēla flīzes tiek izmantotas kā vizuālās pilnvaras. Lai vienkāršotu sarežģītus secības modelēšanas modeļus, redzes transformators ir neironu arhitektūra.

Bar Plot vēža apakštipu noteikšanai.

Lieta ir tāda, ka parasto redzes transformatoru nevar tieši pielietot digitālajai patoloģijai, jo katrā mikroskopa priekšmetstikliņā ir milzīgs skaits flīžu. Providensas datu gadījumā slaidu skaits var sasniegt 70 121. Pētnieki atzīmēja, ka

"Lai risinātu šo problēmu, mēs izmantojam paplašinātu pašapziņu, pielāgojot mūsu nesen izstrādāto LongNet metodi."

Vēža progresēšanā ir iesaistītas daudzas funkcijas mainošas gēnu mutācijas, kuras var pārbaudīt gan vēža diagnozei, gan prognozei. Pētījumā tika atzīmēts, ka, neskatoties uz ievērojamo sekvencēšanas izmaksu samazināšanos, joprojām pastāv nepilnības veselības aprūpē. Tiek uzskatīts, ka šīs atšķirības galvenais faktors ir piekļuve audzēju sekvencēšanai visā pasaulē. 

Pētnieki uzsvēra, ka audzēju mutāciju prognozēšana no patoloģijas attēliem var palīdzēt izvēlēties ārstēšanas metodes un personalizētas zāles. 

Pētnieki salīdzina patoloģijas modeļus

Digitālajai patoloģijai ir skaitļošanas problēmas, jo standarta gigapikseļu slaidi parasti ir tūkstošiem reižu lielāki nekā tradicionālie dabiskie attēli. Tradicionālajiem redzes transformatoriem ir ierobežojumi, un tiem ir grūtības apstrādāt šādus milzīgus attēlus, jo skaitļošanas prasības palielinās līdz ar šādu datu apjomu.

Lasiet arī: AI rīks paredz imūnās atbildes reakciju cīņā pret vēzi

Vēl viens aspekts ir tāds, ka iepriekšējie pētījumi digitālajā patoloģijā neizmantoja savstarpējo atkarību starp dažādām attēla flīzēm katrā mikroskopijas priekšmetstikliņā. Šī nezināšana par savstarpējo atkarību savienošanu noveda pie slaidu līmeņa konteksta likvidēšanas, kas ir ļoti svarīgs daudzām lietojumprogrammām, piemēram, audzēja mikrovides modelēšanai.

Pētījumā pētnieki salīdzināja Prov-GigaPath ar citiem publiski pieejamiem patoloģijas pamatu modeļiem, piemēram, HIPT, Ctranspath un REMEDIS. Pētnieki atklāja, ka Prov-gigaPath uzrādīja labāku veiktspēju 25 no 26 uzdevumiem, jo ​​pētījumā tika atzīmēts, ka

"Prov-GigaPath sasniedza uzlabojumu par 23,5% AUROC (klasifikācijas modeļu veiktspējas rādītājs) un 66,4% AUPRC (pasākums, kas noder, strādājot ar nelīdzsvarotām datu kopām), salīdzinot ar otro labāko modeli REMEDIS."

Vēzis var būt dzīvībai bīstama slimība, un katru gadu tas maksā miljoniem dzīvību. Kā intervijā CNBC pastāstīja digitālās patoloģijas nodrošinātāja Peidža līdzdibinātājs un galvenais zinātnieks Tomass Fukss: “Jums nav vēzis, kamēr patologs to nesaka. Tas ir kritiskais solis visā medicīnas ēkā. 

Kā zināms, tradicionālās patoloģijas metodes ir palīdzējušas slimību diagnostikā, jo tās lielā mērā balstās uz audu paraugu apskati mikroskopā. Tomēr līdz ar tehnoloģijām un mākslīgo intelektu prakse mainās, un vēža identificēšanas un klasificēšanas process ir paātrinājies. Lielākā daļa AI patoloģijas modeļu izmanto to pašu paņēmienu mikroskopijas priekšmetstikliņu pārbaudei, bet digitālā veidā. 

Aamir Sheikh kriptopolītu ziņojumi