У недавньому дослідженні дослідники розробили та оцінили модель патології на основі ШІ під назвою Prov-GigaPath. За словами дослідників, це перша базова модель патології з повним слайдом для діагностики ракових клітин, навчена на великих наборах даних реальних випадків.
Комп’ютерна патологія допомагає трансформувати діагностику раку, допомагаючи фахівцям визначати підтипи захворювання, стадії та можливий прогрес. У багатьох дослідженнях машинне та глибоке навчання показали кращі результати для раннього виявлення раку різних типів.
Читайте також: Вчені розробили модель на основі ШІ для покращення імунотерапії раку
Providence Health Systems і Університет Вашингтона провели останнє дослідження, опубліковане в журналі Nature. Кілька внутрішніх команд Microsoft також співпрацювали, щоб сприяти дослідженню.
Prov-GigaPath діагностує рак
Prov-GigaPath базується на методі зображення цілого слайда, який широко застосовується для оцінки та діагностики раку.
Блок-схема, що показує архітектуру моделі Prov-GigaPath.
У техніці візуалізації цілого слайда предметне скло мікроскопії із зображенням пухлини перетворюється на цифрове зображення високої роздільної здатності. Ці зображення цілого слайда містять важливу інформацію, яка допомагає зрозуміти мікрооточення пухлини.
«Prov-Path більш ніж у п’ять разів перевищує TCGA за кількістю фрагментів зображень і більш ніж у два рази більше за TCGA за кількістю пацієнтів». природа
Prov-GigaPath навчається на великому наборі даних під назвою Prov-path від Providence Health Network, яка налічує 28 онкологічних центрів. Набір даних містить понад 1,3 мільярда фрагментів зображень із 171 189 фактичних мікроскопічних слайдів. Слайди були створені під час біопсії та резекції понад 30 000 пацієнтів і охоплюють 31 основний тип тканин.
Набір даних Prov-Path також містить дані про стадії раку, звіти про пов’язані патології, профілі мутацій генома та дані гістопатології. Разом ці різноманітні частини даних забезпечують краще розуміння умов для моделі.
GigaPath покращує ідентифікацію гігапіксельних слайдів
GigaPath — це новий трансформатор зору, який Prov-GigaPath використовує для оцінки гігапіксельних слайдів патології. Повний слайд стає серією жетонів, коли фрагменти зображень використовуються як візуальні жетони. Щоб спростити складні шаблони для моделювання послідовності, трансформатор зору є нейронною архітектурою.
Стовпчаста діаграма для субтипу раку.
Справа в тому, що звичайний трансформатор зору неможливо застосувати безпосередньо до цифрової патології через величезну кількість плиток у кожному предметному склі мікроскопа. У випадку даних Providence кількість слайдів може досягати 70 121. Дослідники відзначили, що
«Щоб вирішити цю проблему, ми використовуємо розширену самоувагу, адаптувавши нещодавно розроблений метод LongNet».
Багато генних мутацій, що змінюють функції, беруть участь у прогресуванні раку, що може бути перевірено як для діагностики раку, так і для прогнозу. У дослідженні зазначено, що, незважаючи на значне зниження вартості секвенування, все ще існують прогалини в охороні здоров’я. Вважається, що доступ до секвенування пухлин у всьому світі є головним фактором згаданої прогалини.
Дослідники підкреслили, що прогнозування мутацій пухлини за зображеннями патології може допомогти вибрати методи лікування та персоналізовані ліки.
Дослідники порівнюють моделі патологій
Цифрова патологія має обчислювальні проблеми, оскільки стандартні гігапіксельні слайди зазвичай у тисячі разів більші за традиційні природні зображення. Звичайні перетворювачі зору мають обмеження, і їм важко працювати з такими гігантськими зображеннями, оскільки вимоги до обчислень зростають із такою кількістю даних.
Читайте також: Інструмент штучного інтелекту прогнозує імунну відповідь у боротьбі з раком
Інший момент полягає в тому, що попередні дослідження цифрової патології не використовували взаємозалежності між різними фрагментами зображень у кожному слайді мікроскопії. Це незнання зв’язку між взаємозалежностями призвело до усунення контексту на рівні слайдів, що є вирішальним для багатьох програм, таких як моделювання мікрооточення пухлини.
Для дослідження дослідники порівняли Prov-GigaPath з іншими загальнодоступними базовими моделями патології, такими як HIPT, Ctranspath і REMEDIS. Дослідники виявили, що Prov-gigaPath показав кращу продуктивність у 25 із 26 завдань, оскільки дослідження зазначало, що,
«Prov-GigaPath досягла покращення на 23,5% в AUROC (показник продуктивності для моделей класифікації) і на 66,4% в AUPRC (показник, корисний при роботі з незбалансованими наборами даних) порівняно з другою найкращою моделлю, REMEDIS».
Рак може бути небезпечною для життя хворобою, і щороку вона коштує мільйонів життів. Як сказав Томас Фукс, співзасновник і головний науковий співробітник цифрової патології Paige, в інтерв’ю CNBC: «У вас немає раку, доки про це не скаже патологоанатом. Це критично важливий крок у всій медичній будівлі».
Як ми знаємо, звичайні методи патології допомогли в діагностиці захворювань, оскільки вони в основному покладаються на аналіз зразків тканин під мікроскопом. Однак з наявністю технологій і штучного інтелекту практика змінюється, а процес ідентифікації та класифікації ракових захворювань прискорився. Більшість моделей патології штучного інтелекту використовують ту саму техніку дослідження мікроскопічних препаратів, але цифровим способом.
Репортаж Cryptopolitan Аміра Шейха
