这种新型人工智能模型如何为癌症诊断树立标杆？

在最近的一项研究中，研究人员开发并评估了一种名为Prov-GigaPath的基于人工智能的病理模型。据研究人员称，这是首个基于真实病例大型数据集训练的全切片病理基础模型，用于诊断癌细胞。.

计算病理学有助于变革癌症诊断，帮助专业人员dent疾病亚型、分期和可能的进展。许多研究表明，机器学习和深度学习在早期检测各种类型的癌症方面取得了更好的效果。.

另请阅读： 科学家开发人工智能模型以增强癌症免疫疗法

普罗维登斯医疗系统和华盛顿大学开展了这项最新研究，研究 成果发表 在《自然》杂志上。微软的多个内部团队也参与了这项研究的合作。

Prov-GigaPath 诊断癌症 

Prov-GigaPath 基于全切片成像方法，该方法已广泛应用于癌症评估和诊断。.

全切片成像技术是将肿瘤图像的显微镜切片转换成高分辨率数字图像。这些全切片图像包含有助于了解肿瘤微环境的关键信息。. 

“就图像图块数量而言，Prov-Path 比 TCGA 大五倍以上；就患者数量而言，Prov-Path 比 TCGA 大两倍以上。” Nature。.

Prov-GigaPath 使用来自 Providence Health Network 的大型数据集 Prov-path 进行训练，该网络拥有 28 个癌症中心。该数据集包含来自 171,189 张实际显微镜切片的超过 13 亿张图像。这些切片是在超过 30,000 名患者的活检和切除过程中获得的，涵盖 31 种主要组织类型。.

Prov-Path 数据集还包含癌症分期、相关病理报告、基因组突变谱和组织病理学结果等数据。这些数据相互结合，有助于更好地理解模型的适用条件。.

GigaPath增强了Gigapixel幻灯片dent功能

GigaPath 是 Prov-GigaPath 用于评估千兆像素病理切片的新型视觉转换器。当图像图块被用作视觉标记时，一张完整的切片就变成了一系列标记。为了简化序列建模中的复杂模式，该视觉转换器采用了一种神经网络架构。.

关键在于，由于每张显微镜载玻片上的图块数量庞大，传统的视觉变换器无法直接应用于数字病理学。以普罗维登斯的数据为例，载玻片的数量可能高达70121张。研究人员指出，

“为了解决这个问题，我们通过调整我们最近开发的 LongNet 方法，利用了扩张型自注意力机制。”

许多功能改变的基因突变与癌症进展有关，这些突变可用于癌症诊断和预后筛查。研究指出，尽管测序成本显著下降，但医疗保健领域仍然存在缺口。据称，全球肿瘤测序的可及性是造成这一缺口的主要原因。. 

研究人员强调，通过病理图像预测肿瘤突变可以帮助选择治疗方法和个性化用药。. 

研究人员比较病理学模型

数字病理学面临着计算方面的挑战，因为标准的千兆像素切片通常比传统的自然图像大数千倍。传统的视觉变换器存在局限性，难以处理如此庞大的图像，因为数据量越大，计算需求就越高。.

另请阅读： 人工智能工具预测抗癌免疫反应

另一点是，以往的数字病理学研究并未充分利用每张显微镜载玻片中不同图像块之间的相互依赖关系。这种对相互依赖关系的忽视导致载玻片层面的信息缺失，而这对于许多应用（例如肿瘤微环境建模）至关重要。.

研究人员将Prov-GigaPath与其他公开可用的病理基础模型（例如HIPT、Ctranspath和REMEDIS）进行了比较。研究发现，Prov-GigaPath在26项任务中的25项上表现更佳，正如该研究指出的那样：

“与第二好的模型 REMEDIS 相比，Prov-GigaPath 在 AUROC（分类模型的性能指标）方面提高了 23.5%，在 AUPRC（处理不平衡数据集时很有用的指标）方面提高了 66.4%。”

癌症是一种危及生命的疾病，每年夺走数百万人的生命。正如数字病理服务提供商 Paige 的联合创始人兼首席科学家 Thomas Fuchs 在接受 CNBC 采访时所说： “只有病理学家确诊，你才能被诊断出患有癌症。这是整个医疗体系中至关重要的一步。” 

众所周知，传统的病理学技术主要依赖于显微镜下观察组织样本，从而辅助疾病诊断。然而，随着科技和人工智能的发展，诊断方法正在发生改变，癌症的识别和分类速度也dent著加快。大多数人工智能病理模型都采用相同的显微镜切片检查技术，但以数字化的方式进行。. 

Cryptopolitan 报道，作者：Aamir Sheikh