Microsoft hat GigaPath eingeführt, ein Vision Transformer Model (ViT), das darauf abzielt, die Komplexität der digitalen Welt zu bewältigen Pathologie. Dieses Modell wurde in Zusammenarbeit mit dem Providence Health System und der University of Washington entwickelt und verspricht, die Pathologieanalyse ganzer Objektträger mithilfe fortschrittlicher Rechenmethoden zu verbessern.
GigaPath erfüllt die Rechenanforderungen von Gigapixel-Objektträgern – Bilder, die deutlich größer sind als typische – durch den Einsatz erweiterter Selbstaufmerksamkeitsmechanismen. Diese Technik ermöglicht es dem Modell, die umfangreichen Berechnungen durchzuführen, die für die Analyse solch großer Bilder erforderlich sind. Bei der digitalen Pathologie werden in der Regel herkömmliche Glasobjektträger in digitale Bilder umgewandelt, was eine verbesserte Betrachtung, Analyse und Speicherung ermöglicht.
Gemeinsame Entwicklung und Schulung
Die Entwicklung von GigaPath ist das Ergebnis einer Zusammenarbeit zwischen Microsoft, Providence Health System und der University of Washington. Prov-GigaPath ist ein frei zugängliches Pathologie-Grundmodell für ganze Folien. Es wurde auf einer Milliarde Pathologiebildkacheln im Format 256 x 256 vorab trainiert, die aus über 170.000 ganzen Objektträgern unter Verwendung realer Daten abgeleitet wurden. Alle Berechnungen wurden beim privaten Mieter von Providence mit Genehmigung des Providence Institutional Review Board (IRB) durchgeführt.
Der Trainingsprozess von GigaPath umfasst einen zweistufigen Prozess Lehrplan-Lernansatz. Es beginnt mit dem Vortraining auf Kachelebene mit Metas selbstüberwachtem Vision-Transformer-Modell DINOv2 und geht weiter zum Vortraining auf Folienebene mit einer Maske Autoencoder und LongNet. Die DINOv2-Selbstüberwachungsmethode kombiniert maskierten Rekonstruktionsverlust und Kontrastverlust, um Sehtransformatoren zu trainieren. Die erweiterte Aufmerksamkeit von LongNet ist für die Modellierung auf Folienebene geeignet, wobei die Kachelsequenz in überschaubare Teile segmentiert und eine spärliche Aufmerksamkeit für längere Segmente implementiert wird.
Leistungsmetriken und Anwendungen
GigaPath hat eine bemerkenswerte Leistung gezeigt und das zweitbeste Modell in 18 von 26 Aufgaben im Zusammenhang mit Krebs-Subtypisierung und Pathomik übertroffen. Bei der Krebs-Subtypisierung handelt es sich um die Kategorisierung spezifischer Subtypen mithilfe von Pathologie-Folien, während Pathomik-Aufgaben Tumore anhand therapeutisch wichtiger genetischer Veränderungen klassifizieren. Prov-GigaPath hat insbesondere im Pan-Krebs-Szenario eine überlegene Leistung gezeigt und im Vergleich zu anderen Methoden bemerkenswerte Verbesserungen bei AUROC und AUPRC erzielt.
Die Wirksamkeit des Modells wurde anhand von Daten des Cancer Genome Atlas Program (TCGA), wo es andere Ansätze durchweg übertraf. Die Fähigkeit von GigaPath, genetisch verknüpfte Pan-Krebs-und subtypspezifische morphologische Merkmale auf der Ebene des gesamten Objektträgers zu extrahieren, unterstreicht sein Potenzial für zukünftige Forschungen zur komplexen Biologie der Tumor-Mikroumgebung.
Microsofts Fortschritte in der generativen KI haben eine Rolle gespielt eine entscheidende Rolle bei der Entwicklung von GigaPath. Der Prozess der Umwandlung eines Standard-Mikroskopie-Objektträgers von Tumorgewebe in ein hochauflösendes digitales Bild ist jetzt allgemein zugänglich. In einer in Nature veröffentlichten Studie haben die Forscher hinter GigaPath verschiedene Anwendungen für die Pathologieanalyse des Tools detailliert beschrieben Bilder. Die Studie ergab, dass GigaPath die Krebs-Subtypisierung für neun Hauptkrebsarten verbesserte und alle konkurrierenden Ansätze bei Subtypisierungsaufgaben übertraf.
Ein Meilenstein für Präzisionsmedizin
GigaPath soll der Präzisionsmedizin zugute kommen, die sich auf das Verständnis der Behandlung und Prävention von Krankheiten unter Berücksichtigung der spezifischen genomischen Zusammensetzung und Merkmale eines Individuums konzentriert. Da Milliarden von Dollar in die Präzisionsmedizin investiert werden, schreitet die Forschung auf diesem Gebiet rasch voran und zeigt den Wert dieser Branche.
Trotz des vielversprechenden Potenzials von GigaPath ist der Weg, diese Technologie in klinische Umgebungen zu integrieren und zu skalieren, groß Es fängt gerade erst an, die relevanten Einstellungen vorzunehmen. Innovatoren und Branchenführer müssen die Herausforderungen meistern, diese Technologie so einzubetten, dass genaue Gesundheitsergebnisse, Datenschutz und ethische Nutzungsgrundsätze gewährleistet sind. Bei richtiger Umsetzung könnte GigaPath erhebliche Auswirkungen auf den Bereich der digitalen Pathologie haben.
