¿Cómo establece este nuevo modelo de IA el estándar para el diagnóstico del cáncer?

En un estudio reciente, los investigadores desarrollaron y evaluaron un modelo de patología basado en IA llamado Prov-GigaPath. Según los investigadores, este es el primer modelo de fundación de patología de diapositivas completas para diagnosticar células cancerosas entrenado en grandes conjuntos de datos de casos del mundo real.

La patología computacional ayuda a transformar el diagnóstico del cáncer, ayudando a los profesionales a identificar subtipos de enfermedades, etapas y posible progreso. En muchos estudios, el aprendizaje automático y el aprendizaje profundo han mostrado mejores resultados para la detección temprana de varios tipos de cáncer.

También lea: 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 cáncer 

Prov-GigaPath se basa en el método de imagen de diapositivas completas, que se aplica ampliamente a la evaluación y diagnóstico del cáncer.

En la técnica de imagen de diapositivas completas, una diapositiva de microscopía de una imagen de tumor se convierte en una imagen digital de alta resolución. Estas imágenes de diapositivas completas contienen información crítica que ayuda a comprender el microentorno del tumor. 

"Prov-Path es más de cinco veces más grande que TCGA en términos del número de mosaicos de imagen y más de dos veces más grande que TCGA en términos del número de pacientes." Nature.

Prov-GigaPath está entrenado en un gran conjunto de datos llamado Prov-path de Providence Health Network, que tiene 28 centros de cáncer. El conjunto de datos tiene más de 1.3 mil millones de mosaicos de imagen de 171,189 diapositivas de microscopía reales. Las diapositivas se desarrollaron durante biopsias y resecciones de más de 30,000 pacientes y cubren 31 tipos de tejidos principales.

El conjunto de datos Prov-Path también contiene datos sobre la etapa del cáncer, informes de patología relacionados, perfiles de mutación del genoma y hallazgos histopatológicos. Juntos, estas diversas partes de datos proporcionan una mejor comprensión de las condiciones para el modelo.

GigaPath mejora la identificación de diapositivas de gigapíxeles

GigaPath es un nuevo transformador de visión que Prov-GigaPath utiliza para evaluar diapositivas de patología de gigapíxeles. Una diapositiva completa se convierte en una serie de tokens cuando los mosaicos de imagen se utilizan como tokens visuales. Para simplificar patrones complicados para el modelado de secuencias, el transformador de visión es una arquitectura neural.

El punto es que un transformador de visión convencional no se puede aplicar directamente a la patología digital debido al gran número de mosaicos en cada diapositiva de microscopio. En el caso de los datos de Providence, el número de diapositivas puede ser tan alto como 70,121. Los investigadores señalaron que,

"Para abordar este problema, aprovechamos la autoatención dilatada adaptando nuestro método LongNet desarrollado recientemente".

Muchas mutaciones génicas que alteran la función están involucradas en la progresión del cáncer, las cuales pueden ser rastreadas tanto para el diagnóstico como para el pronóstico del cáncer. El estudio señaló que, a pesar de la disminución significativa en el costo de la secuenciación, aún existen brechas en la atención médica. Se dice que el acceso a la secuenciación de tumores en todo el mundo es el factor principal para dicha brecha. 

Los investigadores destacaron que predecir mutaciones tumorales a partir de imágenes de patología puede ayudar a seleccionar métodos de tratamiento y medicación personalizada. 

Investigadores comparan modelos de patología

La patología digital tiene 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 tienen limitaciones y luchan para manejar imágenes tan gigantescas porque los requisitos computacionales aumentan con tales cantidades de datos.

También lea: Herramienta de IA predice respuestas inmunes en la lucha contra el cáncer

Otro punto es que la investigación anterior en patología digital no aprovechó las interdependencias entre diferentes mosaicos de imagen en cada diapositiva de microscopio. Esta ignorancia de conectar las interdependencias llevó a eliminar el contexto a nivel de diapositiva, lo cual es crucial para muchas aplicaciones, como el modelado del microentorno del tumor.

Los investigadores compararon Prov-GigaPath contra otros modelos de fundación de patología disponibles públicamente como HIPT, Ctranspath y REMEDIS para el estudio. Los investigadores encontraron que Prov-gigaPath mostró un mejor rendimiento en 25 de 26 tareas, como señaló el estudio,

"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 al tratar con conjuntos de datos desequilibrados) en comparación con el segundo mejor modelo, REMEDIS".

El cáncer puede ser una enfermedad mortal y cuesta millones de vidas cada año. Como Thomas Fuchs, cofundador y científico jefe del proveedor de patología digital Paige, le dijo a CNBC en una entrevista, "No tienes cáncer hasta que el patólogo lo diga. Ese es el paso crítico en todo el edificio médico."

Como sabemos, las técnicas de patología convencionales han asistido en el diagnóstico de enfermedades porque dependen en gran medida de mirar muestras de tejido bajo un microscopio. Sin embargo, con la tecnología y la inteligencia artificial a mano, las prácticas están cambiando y el proceso de identificación y clasificación de cánceres se ha acelerado. La mayoría de los modelos de patología de IA aprovechan la misma técnica de examinar diapositivas de microscopio pero de manera digital. 

Reportaje de Cryptopolitan por Aamir Sheikh