En un estudio reciente, investigadores desarrollaron y evaluaron un modelo de patología basado en IA llamado Prov-GigaPath. Según los investigadores, este es el primer modelo de patología de portaobjetos completo para el diagnóstico de células cancerosas, entrenado con grandes conjuntos de datos de casos reales.
La patología computacional contribuye a transformar el diagnóstico del cáncer, ayudando a los profesionales adentsubtipos de la enfermedad, estadios y posible progresión. En numerosos estudios, el aprendizaje automático y el aprendizaje profundo han demostrado mejores resultados en la detección temprana de diversos tipos de cáncer.
Lea también: Científicos desarrollan un modelo impulsado por IA para mejorar las inmunoterapias contra el cáncer
Providence Health Systems y la Universidad de Washington llevaron a cabo el último estudio de investigación, publicado en la revista Nature. Varios equipos internos de Microsoft también colaboraron para facilitar la investigación.
Prov-GigaPath diagnostica el cáncer
Prov-GigaPath se basa en el método de imágenes de portaobjetos completo, que se aplica ampliamente en la evaluación y el diagnóstico del cáncer.
En la técnica de imágenes de portaobjetos completo, una lámina de microscopio con una imagen tumoral se convierte en una imagen digital de alta resolución. Estas imágenes de portaobjetos completos contienen información crucial que ayuda a comprender el microambiente tumoral.
“Prov-Path es más de cinco veces más grande que TCGA en términos de número de mosaicos de imágenes y más de dos veces más grande que TCGA en términos de número de pacientes”. Nature.
Prov-GigaPath se entrena con un amplio conjunto de datos llamado Prov-path de Providence Health Network, que cuenta con 28 centros oncológicos. Este conjunto de datos contiene más de 1300 millones de mosaicos de imágenes de 171 189 portaobjetos de microscopía. Los portaobjetos se desarrollaron durante biopsias y resecciones de más de 30 000 pacientes y abarcan 31 tipos principales de tejidos.
El conjunto de datos Prov-Path también contiene datos sobre la estadificación del cáncer, informes patológicos relacionados, perfiles de mutaciones genómicas y hallazgos histopatológicos. En conjunto, estos diversos componentes de datos proporcionan una mejor comprensión de las condiciones del modelo.
GigaPath mejoradentde diapositivas gigapíxeles
GigaPath es un nuevo transformador de visión que Prov-GigaPath utiliza para evaluar portaobjetos de patología de gigapíxeles. Un portaobjetos completo se convierte en una serie de tokens cuando los mosaicos de imágenes se utilizan como tokens visuales. Para simplificar patrones complejos para el modelado de secuencias, el transformador de visión es una arquitectura neuronal.
La cuestión es que un transformador de visión convencional no puede aplicarse directamente a la patología digital debido a la gran cantidad de placas en cada portaobjetos. En el caso de los datos de Providence, el número de portaobjetos puede alcanzar 70.121. Los investigadores observaron que:
“Para abordar este problema, aprovechamos la autoatención dilatada adaptando nuestro método LongNet desarrollado recientemente”
Numerosas mutaciones genéticas que alteran la función están implicadas en la progresión del cáncer, lo cual puede analizarse tanto para el diagnóstico como para el pronóstico. El estudio señaló que, a pesar de la significativa disminución del coste de la secuenciación, aún existen deficiencias en la atención médica. Se afirma que el acceso a la secuenciación tumoral a nivel mundial es el principal factor que explica dicha deficiencia.
Los investigadores destacaron que predecir mutaciones tumorales a partir de imágenes patológicas puede ayudar a seleccionar métodos de tratamiento y medicación personalizada.
Los investigadores comparan modelos de patología
La patología digital presenta desafíos computacionales, ya que las diapositivas estándar de gigapíxeles suelen ser miles de veces más grandes que las imágenes naturales tradicionales. Los transformadores de visión convencionales presentan limitaciones y dificultades para procesar imágenes tan gigantescas, ya que los requisitos computacionales aumentan con la cantidad de datos.
Lea también: Herramienta de IA predice respuestas inmunes en la lucha contra el cáncer
Otro punto es que las investigaciones previas en patología digital no aprovecharon las interdependencias entre los diferentes mosaicos de imágenes en cada portaobjetos de microscopía. Esta falta de conexión de las interdependencias llevó a la eliminación del contexto a nivel de portaobjetos, crucial para muchas aplicaciones, como el modelado del microambiente tumoral.
Para el estudio, los investigadores compararon Prov-GigaPath con otros modelos de base patológica disponibles públicamente, como HIPT, Ctranspath y REMEDIS. Descubrieron que Prov-GigaPath mostró un mejor rendimiento en 25 de 26 tareas, ya que el estudio indicó que:
“Prov-GigaPath logró una mejora del 23,5% en AUROC (una medida de rendimiento para modelos de clasificación) y del 66,4% en AUPRC (una medida útil cuando se trabaja con conjuntos de datos desequilibrados) en comparación con el segundo mejor modelo, REMEDIS”
El cáncer puede ser una enfermedad potencialmente mortal y se cobra millones de vidas cada año. Como declaró Thomas Fuchs, cofundador y científico jefe de Paige, proveedor de patología digital, en una entrevista con la CNBC: «No se tiene cáncer hasta que el patólogo lo indique. Ese es el paso crucial en todo el sistema médico».
Como sabemos, las técnicas de patología convencionales han facilitado el diagnóstico de enfermedades, ya que se basan principalmente en la observación de muestras de tejido al microscopio. Sin embargo, con la tecnología y la inteligencia artificial, las prácticas están cambiando y el proceso dedenty clasificación de cánceres se ha acelerado. La mayoría de los modelos de patología de IA utilizan la misma técnica de examen de portaobjetos de microscopio, pero de forma digital.
Reportaje Cryptopolitan de Aamir Sheikh
