Как эта новая модель ИИ устанавливает стандарт для диагностики рака?

В недавнем исследовании исследователи разработали и оценили основанную на ИИ патологическую модель под названием Prov-GigaPath. Согласно исследователям, это первая модель фундаментальной патологии целого среза для диагностики раковых клеток, обученная на больших наборах данных из реальных случаев.

Вычислительная патология способствует трансформации диагностики рака, помогая профессионалам выявлять подтипы заболеваний, стадии и возможное прогрессирование. Во многих исследованиях машинное обучение и глубокое обучение показали лучшие результаты для раннего обнаружения рака различных типов.

Также читайте: Ученые разрабатывают модель на базе ИИ для улучшения иммунотерапии рака

Последнее исследовательское исследование провели Providence Health Systems и Вашингтонский университет, опубликованном опубликованное в журнале Nature. Ряд внутренних команд Microsoft также сотрудничали для содействия проведению исследования.

Prov-GigaPath диагностирует рак 

Prov-GigaPath опирается на метод визуализации целого среза, который широко применяется для оценки и диагностики рака.

В технике визуализации целого среза микроскопический срез изображения опухоли преобразуется в цифровое изображение высокого разрешения. Эти изображения целого среза содержат критическую информацию, которая помогает понять микросреду опухоли. 

«Prov-Path более чем в пять раз больше TCGA по количеству тайлов изображений и более чем в два раза больше TCGA по количеству пациентов». Nature.

Prov-GigaPath обучается на большом наборе данных под названием Prov-path из сети Providence Health, которая включает 28 онкологических центров. Набор данных содержит более 1,3 миллиарда тайлов изображений из 171 189 реальных микроскопических срезов. Срезы были разработаны во время биопсий и резекций более чем у 30 000 пациентов и охватывают 31 основной тип тканей.

Набор данных Prov-Path также содержит данные о стадиях рака, связанных патологических отчетах, профилях мутаций генома и гистопатологических находках. Вместе эти разнообразные части данных обеспечивают лучшее понимание условий для модели.

GigaPath улучшает идентификацию гигапиксельных срезов

GigaPath — это новый трансформер зрения, который использует Prov-GigaPath для оценки гигапиксельных патологических срезов. Полный срез становится серией токенов, когда тайлы изображений используются в качестве визуальных токенов. Чтобы упростить сложные паттерны для моделирования последовательностей, трансформер зрения представляет собой нейронную архитектуру.

Суть в том, что обычный трансформер зрения не может быть применен непосредственно к цифровой патологии из-за огромного количества тайлов на каждом микроскопическом срезе. В случае данных Providence количество срезов может достигать 70 121. Исследователи отметили, что:

«Чтобы решить эту проблему, мы используем расширенное самовнимание, адаптируя наш недавно разработанный метод LongNet».

Многие мутации генов, изменяющих функцию, участвуют в прогрессировании рака, которые можно скринировать как для диагностики, так и для прогнозирования рака. В исследовании отмечается, что, несмотря на значительное снижение стоимости секвенирования, существуют пробелы в здравоохранении. Доступ к секвенированию опухолей во всем мире считается основным фактором, обуславливающим этот пробел. 

Исследователи подчеркнули, что прогнозирование мутаций опухоли по изображениям патологии может помочь выбрать методы лечения и персонализированные лекарства. 

Исследователи сравнивают патологические модели

Цифровая патология имеет вычислительные проблемы, поскольку стандартные гигапиксельные срезы обычно в тысячи раз больше традиционных естественных изображений. Обычные трансформеры зрения имеют ограничения и с трудом справляются с такими гигантскими изображениями, поскольку вычислительные требования возрастают с таким объемом данных.

Также читайте: Инструмент ИИ предсказывает иммунные ответы в борьбе с раком

Еще один момент заключается в том, что предыдущие исследования в области цифровой патологии не использовали взаимозависимости между различными тайлами изображений на каждом микроскопическом срезе. Это игнорирование связи взаимозависимостей привело к устранению контекста на уровне среза, что критически важно для многих приложений, таких как моделирование микросреды опухоли.

Исследователи сравнили Prov-GigaPath с другими общедоступными фундаментальными моделями патологии, такими как HIPT, Ctranspath и REMEDIS, для исследования. Исследователи обнаружили, что Prov-GigaPath показал лучшую производительность в 25 из 26 задач, как отмечено в исследовании, что:

«Prov-GigaPath достиг улучшения на 23,5% в AUROC (мера производительности для классификационных моделей) и на 66,4% в AUPRC (мера, полезная при работе с несбалансированными наборами данных) по сравнению со второй по эффективности моделью, REMEDIS».

Рак может быть смертельно опасным заболеванием, и он уносит миллионы жизней каждый год. Как Томас Фукс, сооснователь и главный научный сотрудник провайдера цифровой патологии Paige, сказал в интервью CNBC, «У вас нет рака, пока патологоанатом не скажет этого. Это критический шаг во всей медицинской системе».

Как мы знаем, традиционные методы патологии помогли в диагностике заболеваний, поскольку они в значительной степени полагаются на осмотр образцов тканей под микроскопом. Однако благодаря технологиям и искусственному интеллекту практики меняются, и процесс выявления и классификации рака ускорился. Большинство моделей ИИ для патологии используют ту же технику осмотра микроскопических срезов, но в цифровом виде. 

Материал Cryptopolitan от Амира Шейха