Como é que este novo modelo de IA estabelece o padrão para o diagnóstico do cancro?

Num estudo recente, os investigadores desenvolveram e avaliaram um modelo de patologia baseado em IA chamado Prov-GigaPath. De acordo com os investigadores, este é o primeiro modelo de fundação de patologia de lâmina inteira para diagnóstico de células cancerígenas treinado em grandes conjuntos de dados de casos do mundo real.

A patologia computacional ajuda a transformar o diagnóstico do cancro, ajudando os profissionais a identificar subtipos de doenças, estágios e possível progressão. Em muitos estudos, o machine learning e o deep learning mostraram melhores resultados para a deteção precoce de vários tipos de cancro.

Também leia: Cientistas Desenvolvem Modelo Alimentado por IA para Melhorar as Imunoterapias do Cancro

O Providence Health Systems e a Universidade de Washington conduziram o mais recente estudo de investigação, publicou no Journal Nature. Várias equipas internas da Microsoft também colaboraram para facilitar a investigação.

Prov-GigaPath Diagnostica Cancro 

O Prov-GigaPath baseia-se no método de imagem de lâmina inteira, que é amplamente aplicado na avaliação e diagnóstico do cancro.

Na técnica de imagem de lâmina inteira, uma lâmina de microscopia de uma imagem de tumor é convertida numa imagem digital de alta resolução. Estas imagens de lâmina inteira contêm informações críticas que ajudam a compreender o microambiente do tumor. 

“O Prov-Path é mais de cinco vezes maior que o TCGA em termos do número de tiles de imagem e mais de duas vezes maior que o TCGA em termos do número de pacientes.” Nature.

O Prov-GigaPath é treinado num grande conjunto de dados chamado Prov-path da Providence Health Network, que tem 28 centros de cancro. O conjunto de dados tem mais de 1,3 mil milhões de tiles de imagem de 171.189 lâminas de microscopia reais. As lâminas foram desenvolvidas durante biópsias e ressecções de mais de 30.000 pacientes e cobrem 31 tipos principais de tecidos.

O conjunto de dados Prov-Path também contém dados sobre estadiamento do cancro, relatórios de patologia relacionados, perfis de mutação genómica e achados histopatológicos. Juntos, estes diversos componentes de dados fornecem uma melhor compreensão das condições para o modelo.

GigaPath Melhora a Identificação de Lâminas Gigapixel

O GigaPath é um novo transformer de visão que o Prov-GigaPath utiliza para avaliar lâminas de patologia gigapixel. Uma lâmina completa torna-se uma série de tokens quando os tiles de imagem são usados como tokens visuais. Para simplificar padrões complicados para modelação de sequência, o transformer de visão é uma arquitetura neural.

O ponto é que um transformer de visão convencional não pode ser aplicado diretamente à patologia digital devido ao número enorme de tiles em cada lâmina de microscopia. No caso dos dados de Providence, o número de lâminas pode ser tão alto quanto 70.121. Os investigadores notaram que,

“Para resolver este problema, aproveitamos a autoatenção dilatada adaptando o nosso método LongNet recentemente desenvolvido.”

Muitas mutações génicas que alteram a função estão envolvidas na progressão do cancro, que podem ser rastreadas tanto para o diagnóstico quanto para o prognóstico do cancro. O estudo notou que, apesar da diminuição significativa no custo da sequenciação, ainda existem lacunas na saúde. O acesso à sequenciação de tumores em todo o mundo é dito ser o fator principal para essa lacuna. 

Os investigadores destacaram que prever mutações tumorais a partir de imagens de patologia pode ajudar a selecionar métodos de tratamento e medicação personalizada. 

Investigadores Comparam Modelos de Patologia

A patologia digital tem desafios computacionais, pois as lâminas gigapixel padrão são geralmente milhares de vezes maiores que as imagens naturais tradicionais. Os transformers de visão convencionais têm limitações e lutam para lidar com imagens tão gigantescas porque os requisitos computacionais aumentam com tais quantidades de dados.

Também leia: Ferramenta de IA Prevê Respostas Imunes na Luta Contra o Cancro

Outro ponto é que a investigação anterior em patologia digital não aproveitou as interdependências entre diferentes tiles de imagem em cada lâmina de microscopia. Esta ignorância em conectar as interdependências levou à eliminação do contexto ao nível da lâmina, o que é crucial para muitas aplicações, como a modelação do microambiente do tumor.

Os investigadores compararam o Prov-GigaPath com outros modelos de fundação de patologia publicamente disponíveis, como HIPT, Ctranspath e REMEDIS para o estudo. Os investigadores descobriram que o Prov-gigaPath mostrou melhor desempenho em 25 das 26 tarefas, como o estudo notou que,

“O Prov-GigaPath atingiu uma melhoria de 23,5% em AUROC (uma medida de desempenho para modelos de classificação) e 66,4% em AUPRC (uma medida útil ao lidar com conjuntos de dados desequilibrados) em comparação com o segundo melhor modelo, REMEDIS.”

O cancro pode ser uma doença que ameaça a vida, e custa milhões de vidas todos os anos. Como Thomas Fuchs, co-fundador e cientista-chefe do fornecedor de patologia digital Paige, disse à CNBC numa entrevista, “Você não tem cancro até o patologista dizer que tem. Esse é o passo crítico em todo o edifício médico.”

Como sabemos, as técnicas de patologia convencionais ajudaram no diagnóstico de doenças porque dependem em grande parte da observação de amostras de tecido sob um microscópio. No entanto, com a tecnologia e a inteligência artificial à mão, as práticas estão a mudar, e o processo de identificação e classificação de cancros acelerou. A maioria dos modelos de patologia de IA aproveita a mesma técnica de exame de lâminas de microscopia, mas de forma digital. 

Reportagem da Cryptopolitan por Aamir Sheikh