Yakın zamanda yapılan bir çalışmada araştırmacılar, Prov-GigaPath adı verilen yapay zeka tabanlı bir patoloji modeli geliştirdi ve değerlendirdi. Araştırmacılara göre bu, gerçek dünyadaki vakalardan alınan büyük veri setleri üzerinde eğitilmiş kanser hücrelerini teşhis etmek için kullanılan ilk tam slayt patoloji temel modelidir.
Hesaplamalı patoloji, kanser teşhisini dönüştürmeye yardımcı olarak profesyonellerin hastalık alt türlerini, aşamalarını ve olası ilerlemeyi belirlemesine yardımcı olur. Birçok çalışmada, makine öğrenimi ve derin öğrenme, çeşitli kanser türlerinin erken teşhisinde daha iyi sonuçlar verdiğini göstermiştir.
Ayrıca okuyun: Bilim Adamları Kanser İmmünoterapilerini Geliştirmek İçin Yapay Zeka Destekli Model Geliştiriyor
Providence Health Systems ve Washington Üniversitesi, Journal Nature'da yayınlanan en son araştırma çalışmasını gerçekleştirdi. Araştırmayı kolaylaştırmak için Microsoft'un şirket içi ekipleri de işbirliği yaptı.
Prov-GigaPath Kanser Teşhisi Koyar
Prov-GigaPath, kanser değerlendirmesi ve teşhisinde yaygın olarak uygulanan tam slayt görüntüleme yöntemini temel alır.
Prov-GigaPath'in model mimarisini gösteren akış şeması.
Tam slayt görüntüleme tekniğinde, bir tümör görüntüsünün mikroskopi slaytı, yüksek çözünürlüklü bir dijital görüntüye dönüştürülür. Bu tam slayt görüntüleri, tümör mikro ortamının anlaşılmasına yardımcı olan kritik bilgiler içerir.
"Prov-Path, görüntü karesi sayısı açısından TCGA'dan beş kat, hasta sayısı açısından ise TCGA'dan iki kat daha büyük." Doğa.
Prov-GigaPath, 28 kanser merkezinin bulunduğu Providence Health Network'ten Prov-path adı verilen geniş bir veri kümesi üzerinde eğitiliyor. Veri kümesinde 171.189 gerçek mikroskopi slaytından elde edilen 1,3 milyarın üzerinde görüntü döşemesi bulunmaktadır. Slaytlar 30.000'den fazla hastanın biyopsileri ve rezeksiyonları sırasında geliştirildi ve 31 ana doku tipini kapsıyor.
Prov-Path veri seti aynı zamanda kanser evrelemesi, ilgili patoloji raporları, genom mutasyon profilleri ve histopatoloji bulgularına ilişkin verileri de içerir. Bu çeşitli veri parçaları bir araya gelerek modelin koşullarının daha iyi anlaşılmasını sağlar.
GigaPath, Gigapixel Slayt Tanımlamasını Geliştiriyor
GigaPath, Prov-GigaPath'in gigapiksel patoloji slaytlarını değerlendirmek için kullandığı yeni bir görüntü transformatörüdür. Görüntü döşemeleri görsel belirteçler olarak kullanıldığında tam bir slayt bir dizi belirteç haline gelir. Sıra modellemeye yönelik karmaşık kalıpları basitleştirmek amacıyla görüş transformatörü bir sinir mimarisidir.
Kanser alt tiplendirmesi için Çubuk Grafiği.
Mesele şu ki, her bir mikroskop lamı içindeki çok sayıda karo nedeniyle geleneksel bir görüntü transformatörü doğrudan dijital patolojiye uygulanamaz. Providence verileri söz konusu olduğunda slayt sayısı 70.121'e kadar çıkabilir. Araştırmacılar şunları kaydetti:
"Bu sorunu çözmek için yakın zamanda geliştirdiğimiz LongNet yöntemimizi uyarlayarak genişletilmiş kişisel dikkatten yararlanıyoruz."
İşlev değiştiren birçok gen mutasyonu, hem kanser tanısı hem de prognoz açısından taranabilen kanserin ilerlemesinde rol oynar. Çalışma, sıralama maliyetindeki önemli düşüşe rağmen hala sağlık hizmetlerinde eksikliklerin bulunduğunu kaydetti. Söz konusu boşluğun oluşmasında dünya çapında tümör dizilimine erişimin birincil faktör olduğu söyleniyor.
Araştırmacılar, patoloji görüntülerinden tümör mutasyonlarını tahmin etmenin tedavi yöntemlerinin ve kişiselleştirilmiş ilaçların seçilmesine yardımcı olabileceğini vurguladı.
Araştırmacılar Patoloji Modellerini Karşılaştırıyor
Standart gigapiksel slaytlar genellikle geleneksel doğal görüntülerden binlerce kat daha büyük olduğundan, dijital patolojinin hesaplama zorlukları vardır. Geleneksel görüntü transformatörlerinin sınırlamaları vardır ve bu tür devasa görüntüleri işlemek için çabalarlar çünkü bu kadar büyük miktarda veriyle birlikte hesaplama gereksinimleri de artar.
Ayrıca okuyun: Yapay Zeka Aracı Kanserle Mücadelede Bağışıklık Tepkilerini Tahmin Ediyor
Diğer bir nokta da, dijital patolojideki önceki araştırmaların, her mikroskopi slaytındaki farklı görüntü döşemeleri arasındaki karşılıklı bağımlılıklardan yararlanmamasıdır. Karşılıklı bağımlılıkları birbirine bağlama konusundaki bu bilgisizlik, tümör mikro-ortam modellemesi gibi birçok uygulama için çok önemli olan slayt düzeyindeki bağlamın ortadan kaldırılmasına yol açtı.
Araştırmacılar, çalışma için Prov-GigaPath'i HIPT, Ctranspath ve REMEDIS gibi halka açık diğer patoloji temel modelleriyle karşılaştırdı. Araştırmacılar Prov-gigaPath'in 26 görevden 25'inde daha iyi performans gösterdiğini buldular. Çalışmada belirtildiği gibi:
"Prov-GigaPath, ikinci en iyi model REMEDIS ile karşılaştırıldığında AUROC'da (sınıflandırma modelleri için bir performans ölçüsü) %23,5 ve AUPRC'de (dengesiz veri kümeleriyle uğraşırken faydalı bir ölçüm) %66,4'lük bir iyileşme elde etti."
Kanser hayatı tehdit eden bir hastalık olabilir ve her yıl milyonlarca insanın hayatına mal olur. Dijital patoloji sağlayıcısı Paige'in kurucu ortağı ve baş bilim insanı Thomas Fuchs'un bir röportajda CNBC'ye söylediği gibi, "Patolog söyleyene kadar kanser değilsiniz. Bu, tüm tıbbi yapıdaki kritik adımdır.
Bildiğimiz gibi geleneksel patoloji teknikleri, büyük ölçüde doku örneklerinin mikroskop altında incelenmesine dayandığı için hastalıkların teşhisine yardımcı olmuştur. Ancak teknoloji ve yapay zekanın gelişmesiyle birlikte uygulamalar değişiyor ve kanserlerin tanımlanması ve sınıflandırılması süreci hızlanıyor. Yapay zeka patoloji modellerinin çoğu, mikroskopi slaytlarının incelenmesiyle aynı tekniği, ancak dijital bir şekilde kullanır.
Aamir Sheikh'in Cryptopolitan raporlaması
