Em um estudo recente, pesquisadores desenvolveram e avaliaram um modelo de patologia baseado em IA chamado Prov-GigaPath. Segundo os pesquisadores, este é o primeiro modelo fundamental de patologia de lâmina inteira para diagnóstico de células cancerígenas, treinado com grandes conjuntos de dados de casos reais.
A patologia computacional auxilia na transformação do diagnóstico do câncer, ajudando os profissionais adentsubtipos, estágios e possível progressão da doença. Em muitos estudos, o aprendizado de máquina e o aprendizado profundo têm demonstrado melhores resultados na detecção precoce de diversos tipos de câncer.
Leia também: Cientistas desenvolvem modelo com inteligência artificial para aprimorar imunoterapias contra o câncer
O Providence Health Systems e a Universidade de Washington conduziram o estudo de pesquisa mais recente, publicado na revista Nature. Diversas equipes internas da Microsoft também colaboraram para facilitar a pesquisa.
Prov-GigaPath diagnostica câncer
O Prov-GigaPath baseia-se no método de imagem de lâmina inteira, que é amplamente aplicado na avaliação e diagnóstico do câncer.
Na técnica de imagem de lâmina inteira, uma lâmina microscópica contendo a imagem de um tumor é transformada em uma imagem digital de alta resolução. Essas imagens de lâmina inteira contêm informações cruciais que ajudam a compreender o microambiente tumoral.
“O Prov-Path é mais de cinco vezes maior que o TCGA em termos de número de mosaicos de imagens e mais de duas vezes maior que o TCGA em termos de número de pacientes.” Nature.
O Prov-GigaPath é treinado em um grande conjunto de dados chamado Prov-path, proveniente da Providence Health Network, que possui 28 centros de tratamento de câncer. O conjunto de dados contém mais de 1,3 bilhão de mosaicos de imagens de 171.189 lâminas microscópicas reais. As lâminas foram desenvolvidas durante biópsias e ressecções de mais de 30.000 pacientes e abrangem 31 tipos principais de tecido.
O conjunto de dados Prov-Path também contém dados sobre estadiamento do câncer, relatórios de patologia relacionados, perfis de mutação genômica e achados histopatológicos. Juntos, esses diversos componentes de dados proporcionam uma melhor compreensão das condições para o modelo.
GigaPath aprimora adentde slides em gigapixel
O GigaPath é um novo transformador de visão que o Prov-GigaPath utiliza para avaliar lâminas histológicas de gigapixels. Uma lâmina completa se transforma em uma série de tokens quando os mosaicos da imagem são usados como tokens visuais. Para simplificar padrões complexos na modelagem de sequências, o transformador de visão utiliza uma arquitetura neural.
A questão é que um transformador de visão convencional não pode ser aplicado diretamente à patologia digital devido ao grande número de imagens em cada lâmina de microscópio. No caso dos dados da Providence, o número de lâminas pode chegar a 70.121. Os pesquisadores observaram que,
“Para resolver esse problema, aproveitamos a autoatenção dilatada adaptando nosso método LongNet desenvolvido recentemente.”
Muitas mutações genéticas que alteram a função estão envolvidas na progressão do câncer, e podem ser rastreadas tanto para o diagnóstico quanto para o prognóstico da doença. O estudo observou que, apesar da significativa redução no custo do sequenciamento, ainda existem lacunas no acesso à saúde. O acesso ao sequenciamento tumoral em todo o mundo é apontado como o principal fator para essa lacuna.
Os pesquisadores destacaram que prever mutações tumorais a partir de imagens patológicas pode ajudar na seleção de métodos de tratamento e medicamentos personalizados.
Pesquisadores comparam modelos de patologia
A patologia digital apresenta desafios computacionais, visto que as lâminas padrão de gigapixel são geralmente milhares de vezes maiores do que as imagens naturais tradicionais. Os transformadores de visão convencionais têm limitações e dificuldades para lidar com imagens tão gigantescas, pois os requisitos computacionais aumentam com tamanha quantidade de dados.
Leia também: Ferramenta de IA prevê respostas imunológicas na luta contra o câncer
Outro ponto é que pesquisas anteriores em patologia digital não exploraram as interdependências entre diferentes mosaicos de imagens em cada lâmina microscópica. Essa negligência em conectar essas interdependências levou à eliminação do contexto em nível de lâmina, o que é crucial para muitas aplicações, como a modelagem do microambiente tumoral.
Para o estudo, os pesquisadores compararam o Prov-GigaPath com outros modelos de patologia disponíveis publicamente, como HIPT, Ctranspath e REMEDIS. Os pesquisadores descobriram que o Prov-GigaPath apresentou melhor desempenho em 25 das 26 tarefas, conforme observado no estudo
“O Prov-GigaPath obteve uma melhoria de 23,5% na AUROC (uma medida de desempenho para modelos de classificação) e de 66,4% na AUPRC (uma medida útil ao lidar com conjuntos de dados desbalanceados) em comparação com o segundo melhor modelo, o REMEDIS.”
O câncer pode ser uma doença fatal e custa milhões de vidas todos os anos. Como Thomas Fuchs, cofundador e cientista-chefe da Paige, provedora de serviços de patologia digital, disse à CNBC em uma entrevista: “Você não tem câncer até que o patologista diga que sim. Esse é o passo crucial em toda a estrutura médica.”
Como sabemos, as técnicas convencionais de patologia têm auxiliado no diagnóstico de doenças, pois se baseiam, em grande parte, na análise de amostras de tecido ao microscópio. No entanto, com o avanço da tecnologia e da inteligência artificial, as práticas estão mudando e o processo dedente classificação de cânceres tem se acelerado. A maioria dos modelos de patologia baseados em IA utiliza a mesma técnica de exame de lâminas microscópicas, porém de forma digital.
Reportagem Cryptopolitan por Aamir Sheikh
