Într-un studiu recent, cercetătorii au dezvoltat și evaluat un model de patologie bazat pe inteligență artificială numit Prov-GigaPath. Potrivit cercetătorilor, acesta este primul model de fundație de patologie cu diapozitive întregi pentru diagnosticarea celulelor canceroase antrenate pe seturi mari de date din cazuri din lumea reală.

Patologia computațională ajută la transformarea diagnosticului de cancer, ajutând profesioniștii să identifice subtipurile bolii, etapele și posibilele progrese. În multe studii, învățarea automată și învățarea profundă au arătat rezultate mai bune pentru detectarea precoce a cancerului de diferite tipuri.

Citește și: Oamenii de știință dezvoltă un model bazat pe inteligența artificială pentru a îmbunătăți imunoterapiile împotriva cancerului

Providence Health Systems și Universitatea din Washington au efectuat cel mai recent studiu de cercetare, publicat în Journal Nature. Un număr de echipe interne ale Microsoft au colaborat, de asemenea, pentru a facilita cercetarea.

Prov-GigaPath diagnostichează cancerul 

Prov-GigaPath se bazează pe metoda imagistică integrală, care este aplicată pe scară largă în evaluarea și diagnosticarea cancerului.

Diagramă care arată arhitectura modelului Prov-GigaPath.

În tehnica imagistică a întregului diapozitiv, o lamă de microscopie a unei imagini tumorale este transformată într-o imagine digitală de înaltă rezoluție. Aceste imagini întregi cu diapozitive conțin informații critice care ajută la înțelegerea micromediului tumoral. 

„Prov-Path este de peste cinci ori mai mare decât TCGA în ceea ce privește numărul de plăci de imagine și de peste două ori mai mare decât TCGA în ceea ce privește numărul de pacienți.” Natură.

Prov-GigaPath este instruit pe un set mare de date numit Prov-path de la Providence Health Network, care are 28 de centre de cancer. Setul de date are peste 1,3 miliarde de imagini din 171.189 de lame de microscopie reale. Lamele au fost dezvoltate în timpul biopsiilor și rezecțiilor a peste 30.000 de pacienți și acoperă 31 de tipuri majore de țesut.

Setul de date Prov-Path conține, de asemenea, date despre stadializarea cancerului, rapoarte legate de patologie, profiluri de mutații ale genomului și constatări histopatologice. Împreună, aceste părți de date diverse oferă o mai bună înțelegere a condițiilor pentru model.

GigaPath îmbunătățește identificarea diapozitivelor Gigapixel

GigaPath este un nou transformator de vedere pe care Prov-GigaPath îl folosește pentru a evalua diapozitivele de patologie gigapixeli. Un diapozitiv complet devine o serie de jetoane atunci când plăcile de imagine sunt folosite ca jetoane vizuale. Pentru a simplifica modelele complicate pentru modelarea secvenței, transformatorul de viziune este o arhitectură neuronală.

Bare Plot pentru subtiparea cancerului.

Ideea este că un transformator de vedere convențional nu poate fi aplicat direct patologiei digitale din cauza numărului mare de plăci din fiecare lamă de microscop. În cazul datelor Providence, numărul de diapozitive poate ajunge până la 70.121. Cercetătorii au remarcat că,

„Pentru a rezolva această problemă, valorificăm autoatenția dilatată prin adaptarea metodei noastre LongNet dezvoltate recent.”

Multe mutații ale genelor care modifică funcția sunt implicate în progresia cancerului, care pot fi testate atât pentru diagnosticul cancerului, cât și pentru prognosticul. Studiul a remarcat că, în ciuda scăderii semnificative a costului de secvențiere, există încă lacune în domeniul sănătății. Se spune că accesul la secvențierea tumorii la nivel mondial este factorul principal pentru decalajul menționat. 

Cercetătorii au subliniat că prezicerea mutațiilor tumorale din imaginile patologice poate ajuta la selectarea metodelor de tratament și a medicamentelor personalizate. 

Cercetătorii compară modele de patologie

Patologia digitală are provocări de calcul, deoarece diapozitivele standard de gigapixeli sunt de obicei de mii de ori mai mari decât imaginile naturale tradiționale. Transformatoarele de vedere convenționale au limitări și se luptă să gestioneze astfel de imagini gigantice, deoarece cerințele de calcul cresc odată cu asemenea cantități de date.

Citește și: Instrumentul AI prezice răspunsurile imune în lupta împotriva cancerului

Un alt aspect este că cercetările anterioare în patologia digitală nu au valorificat interdependența dintre diferitele plăci de imagine din fiecare lamă de microscopie. Această ignoranță a conectării interdependențelor a condus la eliminarea contextului la nivel de diapozitiv, care este crucial pentru multe aplicații, cum ar fi modelarea micromediului tumoral.

Cercetătorii au comparat Prov-GigaPath cu alte modele de bază de patologie disponibile public, cum ar fi HIPT, Ctranspath și REMEDIS pentru studiu. Cercetătorii au descoperit că Prov-gigaPath a arătat o performanță mai bună la 25 din 26 de sarcini, deoarece studiul a remarcat că,

„Prov-GigaPath a atins o îmbunătățire de 23,5% în AUROC (o măsură de performanță pentru modelele de clasificare) și 66,4% în AUPRC (o măsură utilă atunci când se ocupă cu seturi de date dezechilibrate) în comparație cu cel de-al doilea cel mai bun model, REMEDIS.”

Cancerul poate fi o boală care pune viața în pericol și costă milioane de vieți în fiecare an. După cum Thomas Fuchs, co-fondatorul și om de știință șef la furnizorul de patologie digitală Paige, a declarat pentru CNBC într-un interviu: „Nu aveți cancer până când patologul nu spune acest lucru. Acesta este pasul critic în întregul edificiu medical.” 

După cum știm, tehnicile patologice convenționale au ajutat la diagnosticarea bolilor, deoarece se bazează în mare parte pe examinarea probelor de țesut la microscop. Cu toate acestea, având la îndemână tehnologia și inteligența artificială, practicile se schimbă, iar procesul de identificare și clasificare a cancerelor s-a accelerat. Majoritatea modelelor de patologie AI folosesc aceeași tehnică de examinare a lamelor de microscopie, dar într-un mod digital. 

Reportaj criptopolitan de Aamir Sheikh