In uno studio recente, i ricercatori hanno sviluppato e valutato un modello patologico basato sull'intelligenza artificiale chiamato Prov-GigaPath. Secondo i ricercatori, si tratta del primo modello patologico completo per la diagnosi delle cellule tumorali, basato su ampi set di dati provenienti da casi reali.
La patologia computazionale contribuisce a trasformare la diagnosi del cancro, aiutando i professionisti adentsottotipi, stadi e possibili progressi della malattia. In molti studi, l'apprendimento automatico e il deep learning hanno mostrato risultati migliori per la diagnosi precoce di vari tipi di cancro.
Providence Health Systems e l'Università di Washington hanno condotto l'ultimo studio di ricerca, pubblicato sulla rivista Nature. Anche diversi team interni di Microsoft hanno collaborato per facilitare la ricerca.
Prov-GigaPath diagnostica il cancro
Prov-GigaPath si basa sul metodo di imaging dell'intero vetrino, ampiamente applicato alla valutazione e alla diagnosi del cancro.
Nella tecnica di imaging a vetrino intero, un vetrino microscopico contenente l'immagine di un tumore viene trasformato in un'immagine digitale ad alta risoluzione. Queste immagini a vetrino intero contengono informazioni essenziali che aiutano a comprendere il microambiente tumorale.
"Prov-Path è più di cinque volte più grande di TCGA in termini di numero di immagini e più di due volte più grande di TCGA in termini di numero di pazienti." Nature.
Prov-GigaPath è addestrato su un ampio set di dati chiamato Prov-path del Providence Health Network, che comprende 28 centri oncologici. Il set di dati contiene oltre 1,3 miliardi di immagini provenienti da 171.189 vetrini per microscopia. I vetrini sono stati sviluppati durante biopsie e resezioni di oltre 30.000 pazienti e coprono 31 principali tipi di tessuto.
Il dataset Prov-Path contiene anche dati sulla stadiazione del cancro, referti istopatologici correlati, profili di mutazione del genoma e risultati istopatologici. Insieme, queste diverse componenti di dati forniscono una migliore comprensione delle condizioni del modello.
GigaPath migliora le diapositive Gigapixeldent
GigaPath è un nuovo trasformatore visivo utilizzato da Prov-GigaPath per valutare vetrini di patologia in formato gigapixel. Un vetrino completo si trasforma in una serie di token quando le tessere immagine vengono utilizzate come token visivi. Per semplificare pattern complessi per la modellazione di sequenze, il trasformatore visivo è un'architettura neurale.
Il punto è che un trasformatore di visione convenzionale non può essere applicato direttamente alla patologia digitale a causa dell'elevato numero di tessere in ogni vetrino da microscopio. Nel caso dei dati di Providence, il numero di vetrini può arrivare fino a 70.121. I ricercatori hanno osservato che,
"Per affrontare questo problema, sfruttiamo l'autoattenzione dilatata adattando il nostro metodo LongNet recentemente sviluppato."
Molte mutazioni genetiche che alterano la funzione sono coinvolte nella progressione del cancro, e possono essere analizzate sia per la diagnosi che per la prognosi. Lo studio ha rilevato che, nonostante la significativa riduzione dei costi del sequenziamento, persistono lacune nell'assistenza sanitaria. L'accesso al sequenziamento dei tumori in tutto il mondo è ritenuto il fattore principale di tale lacuna.
I ricercatori hanno sottolineato che prevedere le mutazioni tumorali a partire dalle immagini patologiche può aiutare a selezionare metodi di trattamento e farmaci personalizzati.
I ricercatori confrontano i modelli patologici
La patologia digitale presenta sfide computazionali, poiché le diapositive standard da un gigapixel sono solitamente migliaia di volte più grandi delle immagini naturali tradizionali. I trasformatori visivi convenzionali presentano dei limiti e faticano a gestire immagini così gigantesche, poiché i requisiti computazionali aumentano con tali quantità di dati.
Leggi anche: Uno strumento di intelligenza artificiale prevede le risposte immunitarie nella lotta contro il cancro
Un altro punto è che la ricerca precedente in patologia digitale non ha sfruttato le interdipendenze tra le diverse immagini in ogni vetrino di microscopia. Questa ignoranza nel collegare le interdipendenze ha portato all'eliminazione del contesto a livello di vetrino, che è cruciale per molte applicazioni, come la modellazione del microambiente tumorale.
I ricercatori hanno confrontato Prov-GigaPath con altri modelli di base di patologia disponibili al pubblico, come HIPT, Ctranspath e REMEDIS, per lo studio. I ricercatori hanno scoperto che Prov-gigaPath ha mostrato prestazioni migliori in 25 compiti su 26, poiché lo studio ha evidenziato che:
“Prov-GigaPath ha ottenuto un miglioramento del 23,5% in AUROC (una misura delle prestazioni per i modelli di classificazione) e del 66,4% in AUPRC (una misura utile quando si gestiscono set di dati sbilanciati) rispetto al secondo miglior modello, REMEDIS.”
Il cancro può essere una malattia potenzialmente letale e costa milioni di vite ogni anno. Come ha dichiarato Thomas Fuchs, co-fondatore e responsabile scientifico di Paige, fornitore di servizi di patologia digitale, in un'intervista alla CNBC: "Non hai il cancro finché non lo dice il patologo. Questo è il passaggio cruciale dell'intero sistema medico".
Come sappiamo, le tecniche di patologia convenzionali hanno contribuito alla diagnosi delle malattie perché si basano in gran parte sull'osservazione di campioni di tessuto al microscopio. Tuttavia, con la tecnologia e l'intelligenza artificiale a disposizione, le pratiche stanno cambiando e il processo didente classificazione dei tumori ha subito un'accelerazione. La maggior parte dei modelli di patologia basati sull'intelligenza artificiale sfrutta la stessa tecnica di esame dei vetrini al microscopio, ma in modalità digitale.
Reportage Cryptopolitan di Aamir Sheikh
