Wie setzt dieses neue KI-Modell den Maßstab für die Krebsdiagnostik?

In einer kürzlich durchgeführten Studie entwickelten und bewerteten Forscher ein KI-basiertes Pathologiemodel namens Prov-GigaPath. Laut den Forschern ist dies das erste Whole-Slide-Pathologie-Grundlagenmodell zur Diagnose von Krebszellen, das auf großen Datensätzen aus realen Fällen trainiert wurde.

Computational Pathology trägt zur Transformation der Krebsdiagnose bei und hilft Fachleuten, Krankheitsuntertypen, Stadien und mögliche Verläufe zu identifizieren. In vielen Studien haben maschinelles Lernen und Deep Learning bessere Ergebnisse bei der Früherkennung verschiedener Krebsarten gezeigt.

Auch lesen: Wissenschaftler entwickeln KI-gestütztes Modell zur Verbesserung der Krebsimmuntherapien

Providence Health Systems und die University of Washington führten die neueste Forschungsstudie durch, veröffentlicht im Journal Nature. Eine Reihe interner Teams von Microsoft hat ebenfalls an der Forschung mitgewirkt, um diese zu erleichtern.

Prov-GigaPath diagnostiziert Krebs 

Prov-GigaPath baut auf der Whole-Slide-Imaging-Methode auf, die weit verbreitet in der Krebsbewertung und -diagnose eingesetzt wird.

Bei der Whole-Slide-Imaging-Technik wird ein Mikroskopieslide eines Tumorimages in ein hochauflösendes digitales Bild umgewandelt. Diese Whole-Slide-Bilder enthalten kritische Informationen, die zum Verständnis der Tumormikroumgebung beitragen. 

„Prov-Path ist in Bezug auf die Anzahl der Bildkacheln mehr als fünfmal größer als TCGA und in Bezug auf die Anzahl der Patienten mehr als zweimal größer als TCGA.“ Nature.

Prov-GigaPath wird auf einem großen Datensatz namens Prov-path vom Providence Health Network trainiert, das 28 Krebszentren umfasst. Der Datensatz enthält über 1,3 Milliarden Bildkacheln von 171.189 tatsächlichen Mikroskopieslides. Die Slides wurden während Biopsien und Resektionen von mehr als 30.000 Patienten erstellt und decken 31 große Gewebetypen ab.

Der Prov-Path-Datensatz enthält auch Daten zur Krebsstadieneinteilung, zugehörige Pathologieberichte, Genom-Mutationsprofile und histopathologische Befunde. Zusammen bieten diese vielfältigen Datenbestandteile ein besseres Verständnis der Bedingungen für das Modell.

GigaPath verbessert die Identifizierung von Gigapixel-Slides

GigaPath ist ein neuer Vision Transformer, den Prov-GigaPath zur Auswertung von Gigapixel-Pathologie-Slides verwendet. Ein vollständiger Slide wird zu einer Reihe von Tokens, wenn die Bildkacheln als visuelle Tokens verwendet werden. Der Vision Transformer ist eine neuronale Architektur, um komplexe Muster für die Sequenzmodellierung zu vereinfachen.

Der Punkt ist, dass ein herkömmlicher Vision Transformer nicht direkt auf die digitale Pathologie angewendet werden kann, aufgrund der schieren Anzahl von Kacheln in jedem Mikroskopieslide. Im Fall der Providence-Daten kann die Anzahl der Slides bis zu 70.121 betragen. Die Forscher stellten fest, dass:

„Um dieses Problem zu lösen, nutzen wir dilated self-attention, indem wir unsere kürzlich entwickelte LongNet-Methode anpassen.“

Viele funktionsverändernde Genmutationen sind an der Krebsprogression beteiligt, die sowohl für die Krebsdiagnose als auch für die Prognose untersucht werden können. Die Studie stellte fest, dass trotz der erheblichen Kostenreduzierung bei der Sequenzierung weiterhin Versorgungslücken im Gesundheitswesen bestehen. Der Zugang zur Tumorsequenzierung weltweit wird als Hauptfaktor für diese Lücke angesehen. 

Die Forscher hoben hervor, dass die Vorhersage von Tumormutationen aus Pathologiebildern helfen kann, Behandlungsmethoden und personalisierte Medikamente auszuwählen. 

Forscher vergleichen Pathologiemodelle

Die digitale Pathologie hat rechnerische Herausforderungen, da Standard-Gigapixel-Slides normalerweise tausendmal größer sind als herkömmliche natürliche Bilder. Herkömmliche Vision Transformer haben Grenzen und kämpfen damit, solche gigantischen Bilder zu verarbeiten, da die rechnerischen Anforderungen mit solchen Datenmengen steigen.

Auch lesen: KI-Tool sagt Immunantworten im Kampf gegen Krebs voraus

Ein weiterer Punkt ist, dass frühere Forschungen in der digitalen Pathologie die Interdependenzen zwischen verschiedenen Bildkacheln in jedem Mikroskopieslide nicht genutzt haben. Diese Ignoranz gegenüber der Verbindung der Interdependenzen führte zur Eliminierung des Slide-Ebenen-Kontexts, der für viele Anwendungen, wie die Modellierung der Tumormikroumgebung, entscheidend ist.

Forscher verglichen Prov-GigaPath mit anderen öffentlich verfügbaren Pathologie-Grundlagenmodellen wie HIPT, Ctranspath und REMEDIS für die Studie. Forscher fanden heraus, dass Prov-GigaPath in 25 von 26 Aufgaben eine bessere Leistung zeigte, wie die Studie feststellte, dass:

„Prov-GigaPath erreichte eine Verbesserung von 23,5 % in AUROC (ein Leistungsmaß für Klassifikationsmodelle) und 66,4 % in AUPRC (ein Maß, das bei der Behandlung unausgeglichener Datensätze nützlich ist) im Vergleich zum zweitbesten Modell, REMEDIS.“

Krebs kann eine lebensbedrohliche Krankheit sein, und er kostet jedes Jahr Millionen von Menschenleben. Wie Thomas Fuchs, Mitbegründer und Chief Scientist beim Anbieter für digitale Pathologie Paige, in einem Interview mit CNBC sagte, „Man hat keinen Krebs, bis der Pathologe es sagt. Das ist der kritische Schritt im gesamten medizinischen Gebäude.“

Wie wir wissen, haben herkömmliche Pathologietechniken bei der Diagnose von Krankheiten geholfen, da sie stark auf die Betrachtung von Gewebeproben unter dem Mikroskop verlassen. Doch mit Technologie und Künstlicher Intelligenz im Gepäck ändern sich die Praktiken, und der Prozess der Identifizierung und Klassifizierung von Krebs hat sich beschleunigt. Die meisten KI-Pathologiemodelle nutzen dieselbe Technik der Untersuchung von Mikroskopieslides, jedoch auf digitale Weise. 

Bericht von Cryptopolitan von Aamir Sheikh