В недавнем исследовании ученые разработали и оценили модель патологии на основе искусственного интеллекта под названием Prov-GigaPath. По словам исследователей, это первая базовая модель патологии целых срезов для диагностики раковых клеток, обученная на больших наборах данных из реальных случаев.
Вычислительная патология способствует трансформации диагностики рака, помогая специалистамdentподтипы заболевания, стадии и возможное развитие болезни. Во многих исследованиях машинное обучение и глубокое обучение показали лучшие результаты в раннем выявлении рака различных типов.
Читайте также: Ученые разработали модель на основе ИИ для повышения эффективности иммунотерапии рака.
Последнее исследование было проведено компанией Providence Health Systems и Вашингтонским университетом и опубликовано в журнале Nature. В проведении исследования также принимали участие несколько внутренних групп Microsoft.
Prov-GigaPath диагностирует рак
Prov-GigaPath основан на методе получения изображений целых срезов, широко применяемом для оценки и диагностики рака.
При использовании метода получения изображений целых срезов микроскопический препарат опухоли преобразуется в цифровое изображение высокого разрешения. Эти изображения целых срезов содержат важную информацию, которая помогает понять микроокружение опухоли.
«Prov-Path более чем в пять раз превосходит TCGA по количеству фрагментов изображений и более чем в два раза превосходит TCGA по количеству пациентов». Nature.
Prov-GigaPath обучен на большом наборе данных Prov-path от Providence Health Network, в состав которой входят 28 онкологических центров. Набор данных содержит более 1,3 миллиарда фрагментов изображений из 171 189 реальных микроскопических препаратов. Препараты были получены в ходе биопсий и резекций у более чем 30 000 пациентов и охватывают 31 основной тип тканей.
Набор данных Prov-Path также содержит данные о стадиях рака, соответствующие патологические заключения, профили мутаций генома и результаты гистопатологических исследований. В совокупности эти разнообразные части данных позволяют лучше понять условия для работы модели.
GigaPath улучшаетdentгигапиксельных слайдов
GigaPath — это новый графический преобразователь, который Prov-GigaPath использует для оценки гигапиксельных патологических срезов. Полный срез превращается в последовательность токенов, когда фрагменты изображения используются в качестве визуальных токенов. Для упрощения сложных шаблонов при моделировании последовательностей графический преобразователь представляет собой нейронную архитектуру.
Суть в том, что обычный преобразователь изображений нельзя напрямую применять к цифровой патологии из-за огромного количества фрагментов на каждом микроскопическом препарате. В случае данных из Провиденса количество препаратов может достигать 70 121. Исследователи отметили, что..
«Для решения этой проблемы мы используем механизм расширенного самовнимания, адаптируя наш недавно разработанный метод LongNet»
Многие мутации генов, изменяющие функцию опухоли, участвуют в прогрессировании рака, и их можно выявлять как для диагностики, так и для прогнозирования заболевания. В исследовании отмечается, что, несмотря на значительное снижение стоимости секвенирования, в здравоохранении по-прежнему существуют пробелы. Основной причиной этих пробелов считается доступность секвенирования опухолей во всем мире.
Исследователи подчеркнули, что прогнозирование мутаций опухоли по патологическим изображениям может помочь в выборе методов лечения и персонализированной терапии.
Исследователи сравнивают модели патологий
Цифровая патология сопряжена с вычислительными трудностями, поскольку стандартные гигапиксельные слайды обычно в тысячи раз больше традиционных естественных изображений. Традиционные средства преобразования изображений имеют ограничения и с трудом справляются с такими гигантскими изображениями, поскольку вычислительные требования возрастают с увеличением объема данных.
Читайте также: Инструмент на основе ИИ прогнозирует иммунный ответ в борьбе с раком
Ещё один момент заключается в том, что предыдущие исследования в области цифровой патологии не учитывали взаимозависимости между различными фрагментами изображений на каждом микроскопическом препарате. Это игнорирование взаимозависимостей привело к исключению контекста на уровне препарата, что имеет решающее значение для многих приложений, таких как моделирование микроокружения опухоли.
В ходе исследования ученые сравнили Prov-GigaPath с другими общедоступными базовыми моделями патологоанатомических исследований, такими как HIPT, Ctranspath и REMEDIS. Исследователи обнаружили, что Prov-GigaPath показал лучшие результаты в 25 из 26 задач, как отмечается в исследовании:
«Модель Prov-GigaPath показала улучшение на 23,5% по показателю AUROC (показатель эффективности моделей классификации) и на 66,4% по показателю AUPRC (показатель, полезный при работе с несбалансированными наборами данных) по сравнению со второй лучшей моделью, REMEDIS»
Рак — это опасное для жизни заболевание, которое ежегодно уносит миллионы жизней. Как заявил в интервью CNBC Томас Фукс, соучредитель и главный научный сотрудник компании Paige, занимающейся цифровой патологией: «Рак не диагностирован, пока патологоанатом не подтвердит это. Это критически важный этап во всей медицинской системе».
Как известно, традиционные методы патологии помогают в диагностике заболеваний, поскольку в значительной степени основаны на изучении образцов тканей под микроскопом. Однако с появлением технологий и искусственного интеллекта методы меняются, и процессdentи классификации раковых заболеваний ускорился. Большинство моделей патологии на основе ИИ используют тот же метод исследования микроскопических препаратов, но в цифровом формате.
Репортаж Аамира Шейха для издания Cryptopolitan
