Come Imposta Questo Nuovo Modello di IA lo Standard per la Diagnosi del Cancro?

In uno studio recente, i ricercatori hanno sviluppato e valutato un modello di patologia basato sull'IA chiamato Prov-GigaPath. Secondo i ricercatori, questo è il primo modello di base di patologia a diapositiva intera per la diagnosi di cellule cancerose addestrato su grandi set di dati da casi del mondo reale.

La patologia computazionale aiuta a trasformare la diagnosi del cancro, aiutando i professionisti a identificare sottotipi di malattia, stadi e possibili progressi. In molti studi, l'apprendimento automatico e l'apprendimento profondo hanno mostrato risultati migliori per la rilevazione precoce del cancro di vari tipi.

Leggi anche: Gli Scienziati Sviluppano un Modello Basato sull'IA per Migliorare le Immunoterapie del Cancro

Providence Health Systems e l'Università di Washington hanno condotto l'ultimo studio di ricerca, ha pubblicato sul Journal Nature. Diversi team interni di Microsoft hanno anche collaborato per facilitare la ricerca.

Prov-GigaPath Diagnostica il Cancro 

Prov-GigaPath si basa sul metodo di imaging a diapositiva intera, ampiamente applicato alla valutazione e diagnosi del cancro.

Nella tecnica di imaging a diapositiva intera, una diapositiva di microscopia di un'immagine del tumore viene convertita in un'immagine digitale ad alta risoluzione. Queste immagini a diapositiva intera contengono informazioni critiche che aiutano a comprendere il microambiente del tumore. 

"Prov-Path è più di cinque volte più grande di TCGA in termini di numero di tessere di immagine e più di due volte più grande di TCGA in termini di numero di pazienti." Nature.

Prov-GigaPath è addestrato su un grande dataset chiamato Prov-path da Providence Health Network, che ha 28 centri oncologici. Il dataset ha oltre 1,3 miliardi di tessere di immagine da 171.189 diapositive di microscopia effettive. Le diapositive sono state sviluppate durante biopsie e resezioni di oltre 30.000 pazienti e coprono 31 principali tipi di tessuto.

Il dataset Prov-Path contiene anche dati sullo staging del cancro, referti patologici correlati, profili di mutazione del genoma e riscontri istopatologici. Insieme, queste diverse parti di dati forniscono una migliore comprensione delle condizioni per il modello.

GigaPath Migliora l'Identificazione delle Diapositive Gigapixel

GigaPath è un nuovo vision transformer che Prov-GigaPath utilizza per valutare le diapositive di patologia gigapixel. Una diapositiva completa diventa una serie di token quando le tessere di immagine vengono utilizzate come token visivi. Al fine di semplificare i modelli complicati per la modellazione sequenziale, il vision transformer è un'architettura neurale.

Il punto è che un vision transformer convenzionale non può essere applicato direttamente alla patologia digitale a causa del semplice numero di tessere in ogni diapositiva di microscopia. Nel caso dei dati di Providence, il numero di diapositive può arrivare fino a 70.121. I ricercatori hanno notato che,

"Per affrontare questo problema, sfruttiamo l'auto-attenzione dilatata adattando il nostro metodo LongNet recentemente sviluppato."

Molte mutazioni geniche che alterano la funzione sono coinvolte nella progressione del cancro, che possono essere scredate sia per la diagnosi che per la prognosi del cancro. Lo studio ha notato che, nonostante la significativa diminuzione del costo del sequenziamento, ci sono ancora lacche nell'assistenza sanitaria. L'accesso al sequenziamento dei tumori in tutto il mondo è detto essere il fattore principale per la detta lacca. 

I ricercatori hanno sottolineato che prevedere le mutazioni tumorali dalle immagini di patologia può aiutare a selezionare i metodi di trattamento e la medicina personalizzata. 

I Ricercatori Confrontano i Modelli di Patologia

La patologia digitale ha sfide computazionali, poiché le diapositive gigapixel standard sono solitamente migliaia di volte più grandi delle immagini naturali tradizionali. I vision transformer convenzionali hanno limitazioni e faticano a gestire immagini così gigantesche perché i requisiti computazionali aumentano con tali quantità di dati.

Leggi anche: Lo strumento AI 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 i diversi tile di immagine in ogni vetrino microscopico. 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 fondazionali di patologia pubblicamente disponibili come HIPT, Ctranspath e REMEDIS per lo studio. I ricercatori hanno scoperto che Prov-GigaPath ha mostrato prestazioni migliori in 25 su 26 attività, come ha notato lo studio,

“Prov-GigaPath ha raggiunto 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 trattano dataset sbilanciati) rispetto al secondo modello migliore, REMEDIS.”

Il cancro può essere una malattia potenzialmente letale e costa milioni di vite ogni anno. Come ha detto Thomas Fuchs, co-fondatore e chief scientist presso il fornitore di patologia digitale Paige, in un'intervista a CNBC, "Non hai il cancro finché il patologo non lo dice. Quello è il passo critico in tutto l'edificio medico."

Come sappiamo, le tecniche di patologia convenzionali hanno assistito nella diagnosi delle malattie perché si affidano in gran parte all'osservazione dei campioni di tessuto al microscopio. Tuttavia, con la tecnologia e l'intelligenza artificiale a disposizione, le pratiche stanno cambiando e il processo di identificazione e classificazione dei tumori si è accelerato. La maggior parte dei modelli di patologia AI sfrutta la stessa tecnica di esame dei vetrini microscopici, ma in modo digitale. 

Reportage di Cryptopolitan a cura di Aamir Sheikh