Comment ce nouveau modèle d'IA établit-il la référence pour le diagnostic du cancer ?

Dans une étude récente, les chercheurs ont développé et évalué un modèle de pathologie basé sur l'IA appelé Prov-GigaPath. Selon les chercheurs, il s'agit du premier modèle de fondation de pathologie sur diapositive entière pour le diagnostic des cellules cancéreuses entraîné sur de grands ensembles de données provenant de cas réels.

La pathologie computationnelle aide à transformer le diagnostic du cancer, aidant les professionnels à identifier les sous-types de maladie, les stades et l'évolution possible. Dans de nombreuses études, l'apprentissage automatique et l'apprentissage profond ont montré de meilleurs résultats pour la détection précoce du cancer de divers types.

À lire également : Les scientifiques développent un modèle alimenté par l'IA pour améliorer les immunothérapies contre le cancer

Providence Health Systems et l'Université de Washington ont mené la dernière étude de recherche, publié dans le Journal Nature. Plusieurs équipes internes de Microsoft ont également collaboré pour faciliter la recherche.

Prov-GigaPath diagnostique le cancer 

Prov-GigaPath s'appuie sur la méthode d'imagerie sur diapositive entière, qui est largement appliquée à l'évaluation et au diagnostic du cancer.

Dans la technique d'imagerie sur diapositive entière, une diapositive de microscopie d'une image de tumeur est transformée en une image numérique haute résolution. Ces images sur diapositive entière contiennent des informations critiques qui aident à comprendre le microenvironnement tumoral. 

« Prov-Path est plus de cinq fois plus grand que TCGA en termes de nombre de tuiles d'image et plus de deux fois plus grand que TCGA en termes de nombre de patients. » Nature.

Prov-GigaPath est entraîné sur un grand ensemble de données appelé Prov-path de Providence Health Network, qui compte 28 centres de cancer. L'ensemble de données contient plus de 1,3 milliard de tuiles d'image provenant de 171 189 diapositives de microscopie réelles. Les diapositives ont été développées lors de biopsies et de résections de plus de 30 000 patients et couvrent 31 types de tissus majeurs.

L'ensemble de données Prov-Path contient également des données sur le stade du cancer, les rapports de pathologie associés, les profils de mutation du génome et les résultats d'histopathologie. Ensemble, ces diverses parties de données fournissent une meilleure compréhension des conditions pour le modèle.

GigaPath améliore l'identification des diapositives Gigapixel

GigaPath est un nouveau transformateur de vision que Prov-GigaPath utilise pour évaluer les diapositives de pathologie gigapixel. Une diapositive complète devient une série de jetons lorsque les tuiles d'image sont utilisées comme jetons visuels. Afin de simplifier les motifs compliqués pour la modélisation de séquence, le transformateur de vision est une architecture neuronale.

Le point est qu'un transformateur de vision conventionnel ne peut pas être appliqué directement à la pathologie numérique en raison du nombre considérable de tuiles dans chaque diapositive de microscope. Dans le cas des données de Providence, le nombre de diapositives peut atteindre 70 121. Les chercheurs ont noté que,

« Pour résoudre ce problème, nous exploitons l'attention auto-dilatée en adaptant notre méthode LongNet récemment développée. »

De nombreuses mutations de gènes modifiant la fonction sont impliquées dans la progression du cancer, qui peuvent être dépistées à la fois pour le diagnostic et le pronostic du cancer. L'étude a noté qu'en dépit de la baisse significative du coût du séquençage, il existe toujours des lacunes dans les soins de santé. L'accès au séquençage tumoral dans le monde entier est dit être le facteur principal de cette lacune. 

Les chercheurs ont souligné que la prédiction des mutations tumorales à partir d'images de pathologie peut aider à sélectionner les méthodes de traitement et les médicaments personnalisés. 

Les chercheurs comparent les modèles de pathologie

La pathologie numérique présente des défis computationnels, car les diapositives gigapixel standard sont généralement des milliers de fois plus grandes que les images naturelles traditionnelles. Les transformateurs de vision conventionnels ont des limites et peinent à gérer de telles images gigantesques car les exigences computationnelles augmentent avec de telles quantités de données.

À lire également : L'outil d'IA prédit les réponses immunitaires dans la lutte contre le cancer

Un autre point est que les recherches précédentes en pathologie numérique n'ont pas exploité les interdépendances entre les différentes tuiles d'image dans chaque diapositive de microscope. Cette ignorance des interdépendances a conduit à éliminer le contexte au niveau de la diapositive, ce qui est crucial pour de nombreuses applications, telles que la modélisation du microenvironnement tumoral.

Les chercheurs ont comparé Prov-GigaPath à d'autres modèles de fondation de pathologie disponibles publiquement tels que HIPT, Ctranspath et REMEDIS pour l'étude. Les chercheurs ont constaté que Prov-GigaPath a montré de meilleures performances sur 25 tâches sur 26, comme l'a noté l'étude,

« Prov-GigaPath a atteint une amélioration de 23,5 % en AUROC (une mesure de performance pour les modèles de classification) et de 66,4 % en AUPRC (une mesure utile lors du traitement de jeux de données déséquilibrés) par rapport au deuxième meilleur modèle, REMEDIS. »

Le cancer peut être une maladie mettant la vie en danger, et il coûte des millions de vies chaque année. Comme l'a déclaré Thomas Fuchs, cofondateur et scientifique en chef chez Paige, fournisseur de pathologie numérique, à CNBC dans une interview, « Vous n'avez pas de cancer jusqu'à ce que le pathologiste le dise. C'est l'étape critique dans tout l'édifice médical. »

Comme nous le savons, les techniques de pathologie conventionnelles ont aidé au diagnostic des maladies car elles s'appuient largement sur l'observation d'échantillons de tissus au microscope. Cependant, avec la technologie et l'intelligence artificielle à portée de main, les pratiques changent et le processus d'identification et de classification des cancers s'est accéléré. La plupart des modèles de pathologie IA exploitent la même technique d'examen des diapositives de microscopie mais de manière numérique. 

Article de Cryptopolitan par Aamir Sheikh