In einer aktuellen Studie entwickelten und evaluierten Forscher ein KI-basiertes Pathologiemodell namens Prov-GigaPath. Laut den Forschern handelt es sich dabei um das erste auf Ganzpräparat-Pathologie basierende Modell zur Diagnose von Krebszellen, das mit großen Datensätzen aus realen Fällen trainiert wurde.
Die computergestützte Pathologie trägt zur Verbesserung der Krebsdiagnostik bei und unterstützt Fachkräfte beidentvon Krankheitssubtypen, Stadien und möglichen Krankheitsverläufen. Zahlreiche Studien belegen, dass maschinelles Lernen und Deep Learning bessere Ergebnisse bei der Früherkennung verschiedener Krebsarten erzielen.
Lesen Sie auch: Wissenschaftler entwickeln KI-gestütztes Modell zur Verbesserung von Krebsimmuntherapien
Providence Health Systems und die University of Washington führten die jüngste Forschungsstudie durch, veröffentlicht wurde . Mehrere interne Teams von Microsoft wirkten ebenfalls an der Durchführung der Studie mit.
Prov-GigaPath diagnostiziert Krebs
Prov-GigaPath basiert auf der Methode der Ganzpräparat-Bildgebung, die in der Krebsdiagnostik und -bewertung weit verbreitet ist.
Bei der Ganzpräparat-Bildgebung wird ein mikroskopisches Präparat eines Tumors in ein hochauflösendes digitales Bild umgewandelt. Diese Ganzpräparatbilder enthalten wichtige Informationen, die zum Verständnis der Tumormikroumgebung beitragen.
„Prov-Path ist hinsichtlich der Anzahl der Bildkacheln mehr als fünfmal so groß wie TCGA und hinsichtlich der Anzahl der Patienten mehr als doppelt so groß.“ Nature.
Prov-GigaPath wurde mit einem umfangreichen Datensatz namens Prov-path des Providence Health Network trainiert, das 28 Krebszentren umfasst. Der Datensatz enthält über 1,3 Milliarden Bildkacheln aus 171.189 realen Mikroskopiepräparaten. Diese Präparate wurden im Rahmen von Biopsien und Resektionen an mehr als 30.000 Patienten erstellt und decken 31 wichtige Gewebetypen ab.
Der Prov-Path-Datensatz enthält außerdem Daten zum Krebsstadium, zugehörige Pathologieberichte, Genommutationsprofile und histopathologische Befunde. Zusammen ermöglichen diese vielfältigen Datenbestandteile ein besseres Verständnis der Modellbedingungen.
GigaPath verbessertdentvon Gigapixel-Folien
GigaPath ist ein neuartiger Bildverarbeitungs-Transformator, der von Prov-GigaPath zur Auswertung von Gigapixel-Pathologiepräparaten verwendet wird. Ein vollständiges Präparat wird in eine Reihe von Tokens umgewandelt, wenn die Bildkacheln als visuelle Tokens verwendet werden. Um komplexe Muster für die Sequenzmodellierung zu vereinfachen, basiert der Bildverarbeitungs-Transformator auf einer neuronalen Architektur.
Der springende Punkt ist, dass ein herkömmlicher Bildtransformator aufgrund der enormen Anzahl an Kacheln auf jedem Objektträger nicht direkt in der digitalen Pathologie eingesetzt werden kann. Im Fall der Providence-Daten kann die Anzahl der Objektträger bis zu 70.121 betragen. Die Forscher stellten fest, dass…
„Um dieses Problem anzugehen, nutzen wir die erweiterte Selbstaufmerksamkeit, indem wir unsere kürzlich entwickelte LongNet-Methode anpassen.“
Viele funktionsverändernde Genmutationen spielen eine Rolle bei der Krebsentstehung und können sowohl zur Krebsdiagnose als auch zur Prognose untersucht werden. Die Studie stellte fest, dass trotz der deutlich gesunkenen Sequenzierungskosten weiterhin Versorgungslücken bestehen. Der weltweite Zugang zur Tumorsequenzierung gilt als Hauptgrund für diese Lücke.
Die Forscher hoben hervor, dass die Vorhersage von Tumormutationen anhand von Pathologiebildern bei der Auswahl von Behandlungsmethoden und personalisierten Medikamenten helfen kann.
Forscher vergleichen Pathologiemodelle
Die digitale Pathologie steht vor großen rechnerischen Herausforderungen, da Standard-Gigapixel-Dias in der Regel tausendfach größer sind als herkömmliche natürliche Bilder. Konventionelle Bildverarbeitungssysteme stoßen an ihre Grenzen und haben Schwierigkeiten, solch gigantische Bilder zu verarbeiten, da der Rechenaufwand mit der Datenmenge exponentiell steigt.
Lesen Sie auch: KI-Tool sagt Immunreaktionen im Kampf gegen Krebs voraus
Ein weiterer Punkt ist, dass frühere Forschungen in der digitalen Pathologie die Wechselwirkungen zwischen verschiedenen Bildausschnitten auf jedem Mikroskopie-Objektträger nicht berücksichtigten. Diese Vernachlässigung der Zusammenhänge führte zum Verlust des Kontextes auf Objektträgerebene, der für viele Anwendungen, wie beispielsweise die Modellierung der Tumormikroumgebung, entscheidend ist.
Für die Studie verglichen die Forscher Prov-GigaPath mit anderen öffentlich verfügbaren Pathologie-Grundlagenmodellen wie HIPT, Ctranspath und REMEDIS. Die Forscher stellten fest, dass Prov-GigaPath bei 25 von 26 Aufgaben eine bessere Leistung zeigte, wie die Studie feststellte
„Prov-GigaPath erzielte eine Verbesserung von 23,5 % beim AUROC (einem Leistungsmaß für Klassifizierungsmodelle) und 66,4 % beim AUPRC (einem Maß, das bei unausgewogenen Datensätzen nützlich ist) im Vergleich zum zweitbesten Modell, REMEDIS.“
Krebs kann lebensbedrohlich sein und kostet jedes Jahr Millionen von Menschenleben. Wie Thomas Fuchs, Mitbegründer und leitender Wissenschaftler des Anbieters digitaler Pathologie-Lösungen Paige, in einem Interview mit CNBC erklärte: „Man hat erst dann Krebs, wenn der Pathologe es bestätigt. Das ist der entscheidende Schritt im gesamten medizinischen Prozess.“
Wie wir wissen, haben konventionelle Pathologieverfahren die Diagnose von Krankheiten unterstützt, da sie größtenteils auf der mikroskopischen Untersuchung von Gewebeproben beruhen. Dank moderner Technologien und künstlicher Intelligenz verändern sich die Verfahren jedoch, und diedentund Klassifizierung von Krebserkrankungen hat sich beschleunigt. Die meisten KI-Pathologiemodelle nutzen dieselbe Technik der mikroskopischen Untersuchung, jedoch digital.
Cryptopolitan Berichterstattung von Aamir Sheikh
