这款新 AI 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 AI 的病理模型。据研究人员称，这是首个基于真实世界病例的大型数据集训练的用于诊断癌细胞的整张切片病理基础模型。

计算病理学有助于转变癌症诊断，帮助专业人士识别疾病亚型、分期和可能的进展。在许多研究中，机器学习和深度学习在早期检测各种类型的癌症方面显示出更好的结果。

延伸阅读： 科学家开发 AI 驱动模型以增强癌症免疫疗法

Providence Health Systems 和华盛顿大学进行了最新的研究， 发布 发表在《自然》杂志上。微软的多个内部团队也参与了协作，以促进这项研究。

Prov-GigaPath 诊断癌症 

Prov-GigaPath 建立在整张切片成像方法之上，该方法广泛应用于癌症评估和诊断。

在整张切片成像技术中，肿瘤图像的显微镜载玻片被转换为高分辨率数字图像。这些整张切片图像包含有助于理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，比 TCGA 大两倍以上。”《自然》。

Prov-GigaPath 在名为 Prov-path 的大型数据集上进行训练，该数据集来自拥有 28 个癌症中心的 Providence Health Network。该数据集包含来自 171,189 张实际显微镜载玻片的超过 13 亿张图像图块。这些载玻片是在超过 30,000 名患者的活检和切除手术中开发的，涵盖了 31 种主要组织类型。

Prov-Path 数据集还包含癌症分期数据、相关病理报告、基因组突变谱和组织病理学发现。这些多样化的数据部分共同提供了对模型条件的更好理解。

GigaPath 增强吉像素载玻片识别

GigaPath 是一种新的视觉转换器，Prov-GigaPath 使用它来评估吉像素病理载玻片。当图像图块用作视觉令牌时，完整的载玻片变成一系列令牌。为了简化序列建模的复杂模式，视觉转换器是一种神经架构。

关键在于，由于每张显微镜载玻片中的图块数量巨大，传统的视觉转换器不能直接应用于数字病理学。在普罗维登斯数据的情况下，载玻片的数量可能高达 70,121 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 方法来利用扩张自注意力机制。”

许多改变功能的基因突变参与癌症进展，这些突变可用于癌症诊断和预后的筛查。研究指出，尽管测序成本大幅降低，但医疗差距仍然存在。据称，全球肿瘤测序的可及性是造成该差距的主要因素。 

研究人员强调，从病理图像预测肿瘤突变有助于选择治疗方法和个人化药物。 

研究人员比较病理模型

数字病理学面临计算挑战，因为标准的吉像素载玻片通常比传统的自然图像大数千倍。传统的视觉转换器存在局限性，难以处理如此巨大的图像，因为计算需求随着数据量的增加而增加。

延伸阅读： AI 工具预测对抗癌症的免疫反应

另一个要点是，以前的数字病理学研究没有利用每张显微镜载玻片中不同图像图块之间的相互依赖性。这种对相互依赖性连接的忽视导致了消除载玻片级别的上下文，而这对许多应用（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（如 HIPT、Ctranspath 和 REMEDIS）进行了比较。研究人员发现，Prov-GigaPath 在 26 项任务中的 25 项表现出更好的性能，正如研究所指出的，

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

癌症可能是一种危及生命的疾病，每年导致数百万人死亡。正如数字病理提供商 Paige 的联合创始人兼首席科学家 Thomas Fuchs 在接受 CNBC 采访时所说，“直到病理学家说你有癌症，你才真正患有癌症。这是整个医疗体系中的关键一步。”

众所周知，传统的病理技术通过主要依赖在显微镜下观察组织样本，协助了疾病的诊断。然而，随着技术和人工智能的介入，实践正在发生变化，识别和分类癌症的过程正在加速。大多数 AI 病理模型利用相同的技术，但以数字方式检查显微镜载玻片。 

Cryptopolitan 报道 / Aamir Sheikh