Trong một nghiên cứu gần đây, các nhà nghiên cứu đã phát triển và đánh giá mô hình bệnh lý dựa trên AI có tên Prov-GigaPath. Theo các nhà nghiên cứu, đây là mô hình nền tảng bệnh lý toàn bộ slide đầu tiên để chẩn đoán tế bào ung thư được đào tạo trên các tập dữ liệu lớn từ các trường hợp thực tế.

Bệnh học tính toán hỗ trợ trong việc chuyển đổi chẩn đoán ung thư, giúp các chuyên gia xác định các phân nhóm bệnh, giai đoạn và tiến triển có thể xảy ra. Trong nhiều nghiên cứu, học máy và học sâu đã cho thấy kết quả tốt hơn trong việc phát hiện sớm các loại ung thư khác nhau.

Cũng đọc: Các nhà khoa học phát triển mô hình hỗ trợ AI để tăng cường liệu pháp miễn dịch ung thư

Hệ thống Y tế Providence và Đại học Washington đã thực hiện nghiên cứu mới nhất, được công bố trên Tạp chí Thiên nhiên. Một số nhóm nội bộ của Microsoft cũng hợp tác để hỗ trợ nghiên cứu.

Prov-GigaPath chẩn đoán ung thư 

Prov-GigaPath được xây dựng dựa trên phương pháp hình ảnh toàn bộ slide, được áp dụng rộng rãi để đánh giá và chẩn đoán ung thư.

Biểu đồ luồng hiển thị kiến ​​trúc mô hình của Prov-GigaPath.

Trong kỹ thuật hình ảnh toàn bộ slide, một slide kính hiển vi của hình ảnh khối u được chuyển thành hình ảnh kỹ thuật số có độ phân giải cao. Những hình ảnh toàn bộ này chứa thông tin quan trọng giúp hiểu được môi trường vi mô của khối u. 

“Prov-Path lớn hơn TCGA hơn năm lần về số lượng ô hình ảnh và lớn hơn TCGA hơn hai lần về số lượng bệnh nhân.” Thiên nhiên.

Prov-GigaPath được đào tạo trên tập dữ liệu lớn có tên Prov-path từ Mạng lưới Y tế Providence, nơi có 28 trung tâm ung thư. Bộ dữ liệu có hơn 1,3 tỷ ô hình ảnh từ 171.189 slide kính hiển vi thực tế. Các slide này được phát triển trong quá trình sinh thiết và cắt bỏ hơn 30.000 bệnh nhân và bao gồm 31 loại mô chính.

Bộ dữ liệu Prov-Path cũng chứa dữ liệu về giai đoạn ung thư, báo cáo bệnh lý liên quan, hồ sơ đột biến gen và phát hiện mô bệnh học. Cùng với nhau, các phần dữ liệu đa dạng này cung cấp sự hiểu biết tốt hơn về các điều kiện của mô hình.

GigaPath tăng cường nhận dạng slide Gigapixel

GigaPath là một công cụ biến đổi tầm nhìn mới mà Prov-GigaPath sử dụng để đánh giá các slide bệnh lý gigapixel. Một trang trình bày hoàn chỉnh sẽ trở thành một chuỗi các mã thông báo khi các ô hình ảnh được sử dụng làm mã thông báo trực quan. Để đơn giản hóa các mẫu phức tạp cho mô hình trình tự, biến đổi tầm nhìn là một kiến ​​trúc thần kinh.

Biểu đồ thanh để phân loại ung thư.

Vấn đề là một máy biến áp thị giác thông thường không thể được áp dụng trực tiếp vào bệnh lý kỹ thuật số vì số lượng ô trong mỗi phiến kính hiển vi rất nhiều. Trong trường hợp dữ liệu của Providence, số lượng slide có thể lên tới 70.121. Các nhà nghiên cứu lưu ý rằng,

“Để giải quyết vấn đề này, chúng tôi tận dụng sự tự chú ý đã được mở rộng bằng cách điều chỉnh phương pháp LongNet được phát triển gần đây của chúng tôi.”

Nhiều đột biến gen làm thay đổi chức năng có liên quan đến sự tiến triển của bệnh ung thư, có thể được sàng lọc để chẩn đoán và tiên lượng bệnh ung thư. Nghiên cứu lưu ý rằng mặc dù chi phí giải trình tự đã giảm đáng kể nhưng vẫn còn những lỗ hổng trong chăm sóc sức khỏe. Việc tiếp cận trình tự khối u trên toàn thế giới được cho là yếu tố chính dẫn đến khoảng cách nói trên. 

Các nhà nghiên cứu nhấn mạnh rằng việc dự đoán đột biến khối u từ hình ảnh bệnh lý có thể giúp lựa chọn phương pháp điều trị và thuốc phù hợp với từng cá nhân. 

Các nhà nghiên cứu so sánh các mô hình bệnh lý

Bệnh lý kỹ thuật số có những thách thức về mặt tính toán, vì các slide gigapixel tiêu chuẩn thường lớn hơn hàng nghìn lần so với hình ảnh tự nhiên truyền thống. Các máy biến đổi hình ảnh thông thường có những hạn chế và gặp khó khăn trong việc xử lý những hình ảnh khổng lồ như vậy vì yêu cầu tính toán tăng lên cùng với lượng dữ liệu như vậy.

Cũng đọc: Công cụ AI dự đoán phản ứng miễn dịch trong cuộc chiến chống lại bệnh ung thư

Một điểm khác là nghiên cứu trước đây về bệnh lý kỹ thuật số đã không tận dụng được sự phụ thuộc lẫn nhau giữa các ô hình ảnh khác nhau trong mỗi slide kính hiển vi. Sự thiếu hiểu biết về việc kết nối các yếu tố phụ thuộc lẫn nhau này đã dẫn đến việc loại bỏ bối cảnh cấp độ trượt, điều này rất quan trọng đối với nhiều ứng dụng, chẳng hạn như mô hình hóa vi môi trường khối u.

Các nhà nghiên cứu đã so sánh Prov-GigaPath với các mô hình nền tảng bệnh lý có sẵn công khai khác như HIPT, Ctranspath và REMEDIS cho nghiên cứu. Các nhà nghiên cứu nhận thấy rằng Prov-gigaPath cho thấy hiệu suất tốt hơn ở 25 trên 26 nhiệm vụ, vì nghiên cứu đã lưu ý rằng,

“Prov-GigaPath đã đạt được mức cải thiện 23,5% trong AUROC (thước đo hiệu suất cho các mô hình phân loại) và 66,4% trong AUPRC (một thước đo hữu ích khi xử lý các tập dữ liệu không cân bằng) so với mô hình tốt thứ hai, REMEDIS.”

Ung thư có thể là một căn bệnh đe dọa tính mạng và cướp đi sinh mạng của hàng triệu người mỗi năm. Như Thomas Fuchs, người đồng sáng lập và nhà khoa học trưởng tại nhà cung cấp bệnh lý kỹ thuật số Paige, đã nói với CNBC trong một cuộc phỏng vấn: “Bạn không bị ung thư cho đến khi bác sĩ giải phẫu bệnh nói như vậy. Đó là bước quan trọng trong toàn bộ cơ sở y tế.” 

Như chúng ta biết, các kỹ thuật giải phẫu bệnh thông thường đã hỗ trợ chẩn đoán bệnh vì chúng chủ yếu dựa vào việc xem xét các mẫu mô dưới kính hiển vi. Tuy nhiên, với công nghệ và trí tuệ nhân tạo trong tay, thực tiễn đang thay đổi và quá trình xác định và phân loại ung thư đã được đẩy nhanh. Hầu hết các mô hình bệnh lý AI đều tận dụng cùng một kỹ thuật kiểm tra các phiến kính hiển vi nhưng theo cách kỹ thuật số. 

Báo cáo về tiền điện tử của Aamir Sheikh