Η
Η Microsoft παρουσίασε το GigaPath, ένα μοντέλο μετασχηματιστή όρασης (ViT) που στοχεύει στην αντιμετώπιση της πολυπλοκότητας του ψηφιακού παθολογία. Αναπτύχθηκε σε συνεργασία με το Providence Health System και το Πανεπιστήμιο της Ουάσιγκτον, αυτό το μοντέλο υπόσχεται να βελτιώσει την ανάλυση παθολογίας ολόκληρων διαφανειών χρησιμοποιώντας προηγμένες υπολογιστικές μεθόδους.
Το GigaPath αντιμετωπίζει τις υπολογιστικές απαιτήσεις των διαφανειών gigapixel—εικόνες σημαντικά μεγαλύτερες από τις τυπικές. —με τη χρήση διευρυμένων μηχανισμών αυτοπροσοχής. Αυτή η τεχνική επιτρέπει στο μοντέλο να χειριστεί τον εκτεταμένο υπολογισμό που απαιτείται για την ανάλυση τόσο μεγάλων εικόνων. Η ψηφιακή παθολογία συνήθως περιλαμβάνει τη μετατροπή παραδοσιακών γυάλινων διαφανειών σε ψηφιακές εικόνες, διευκολύνοντας τη βελτιωμένη προβολή, ανάλυση και αποθήκευση.
Συνεργατική ανάπτυξη και εκπαίδευση
Η ανάπτυξη του GigaPath. είναι το αποτέλεσμα μιας συλλογικής προσπάθειας μεταξύ της Microsoft, του Providence Health System και του Πανεπιστημίου της Ουάσιγκτον. Το Prov-GigaPath είναι ένα μοντέλο θεμελίωσης παθολογίας ολόκληρων διαφανειών ανοιχτής πρόσβασης. Ήταν προεκπαιδευμένο σε ένα δισεκατομμύριο πλακίδια εικόνας παθολογίας 256 x 256 που προέρχονται από περισσότερες από 170.000 ολόκληρες διαφάνειες, χρησιμοποιώντας δεδομένα πραγματικού κόσμου. Όλοι οι υπολογισμοί πραγματοποιήθηκαν στον ιδιωτικό μισθωτή του Providence, με την έγκριση του Institutional Review Board (IRB) της Providence.
Η διαδικασία εκπαίδευσης του GigaPath περιλαμβάνει δύο στάδια μαθησιακή προσέγγιση του προγράμματος σπουδών. Ξεκινά με προεκπαίδευση σε επίπεδο πλακιδίων χρησιμοποιώντας τον αυτοεπιβλεπόμενο μετασχηματιστή όρασης Model DINOv2 της Meta και προχωρά σε προεκπαίδευση σε επίπεδο διαφανειών με μάσκα autoencoder και LongNet. Η μέθοδος αυτό-επίβλεψης DINOv2 συνδυάζει συγκαλυμμένη απώλεια ανακατασκευής και απώλεια αντίθεσης για την εκπαίδευση των μετασχηματιστών όρασης. Η διευρυμένη προσοχή του LongNet προσαρμόζεται για μοντελοποίηση σε επίπεδο διαφανειών, τμηματοποιώντας την ακολουθία πλακιδίων σε διαχειρίσιμα κομμάτια και εφαρμόζοντας αραιή προσοχή για μεγαλύτερα τμήματα.
Μετρήσεις απόδοσης και εφαρμογές
Το GigaPath έχει επιδείξει αξιοσημείωτες επιδόσεις, ξεπερνώντας το δεύτερο καλύτερο μοντέλο σε 18 από τις 26 εργασίες που σχετίζονται με τον προσδιορισμό του υποτύπου του καρκίνου και την παθολογία. Ο υποτύπος καρκίνου περιλαμβάνει την κατηγοριοποίηση συγκεκριμένων υποτύπων χρησιμοποιώντας διαφάνειες παθολογίας, ενώ οι εργασίες παθοτομίας ταξινομούν όγκους με βάση θεραπευτικά σημαντικές γενετικές αλλοιώσεις. Το Prov-GigaPath έχει επιδείξει ανώτερη απόδοση, ιδιαίτερα στο σενάριο του πανκαρκίνου, επιτυγχάνοντας αξιοσημείωτες βελτιώσεις στο AUROC και στο AUPRC σε σύγκριση με άλλες μεθόδους.
Η αποτελεσματικότητα του μοντέλου επικυρώθηκε περαιτέρω χρησιμοποιώντας δεδομένα από το Cancer Genome Atlas Program (TCGA), όπου ξεπερνούσε σταθερά άλλες προσεγγίσεις. Η ικανότητα του GigaPath να εξάγει γενετικά συνδεδεμένα μορφολογικά χαρακτηριστικά παγκαρκίνου και υποτύπου σε επίπεδο πλήρους διαφάνειας υπογραμμίζει τις δυνατότητές του για μελλοντική έρευνα στην περίπλοκη βιολογία του μικροπεριβάλλοντος του όγκου.
Οι εξελίξεις της Microsoft στη γενετική τεχνητή νοημοσύνη έχουν παίξει ρόλο. έναν κρίσιμο ρόλο στην ανάπτυξη του GigaPath. Η διαδικασία μετατροπής μιας τυπικής αντικειμενοφόρου μικροσκοπίου ιστού όγκου σε ψηφιακή εικόνα υψηλής ανάλυσης είναι πλέον ευρέως προσβάσιμη. Σε μια μελέτη που δημοσιεύτηκε στο Nature, οι ερευνητές πίσω από το GigaPath εξέθεσαν διάφορες εφαρμογές για την ανάλυση της παθολογίας του εργαλείου εικόνες. Η μελέτη διαπίστωσε ότι το GigaPath βελτίωσε τον υπο-τύπο καρκίνου για εννέα κύριους τύπους καρκίνου και ξεπέρασε όλες τις ανταγωνιστικές προσεγγίσεις στις εργασίες υποτυποποίησης.
A Milestone for Precision Medicine
<Το p>GigaPath πρόκειται να ωφελήσει την ιατρική ακριβείας, η οποία εστιάζει στην κατανόηση της θεραπείας και της πρόληψης ασθενειών λαμβάνοντας υπόψη τη συγκεκριμένη γονιδιωματική σύνθεση και τα χαρακτηριστικά ενός ατόμου. Με δισεκατομμύρια δολάρια να επενδύονται στην ιατρική ακριβείας, η έρευνα σε αυτόν τον τομέα προχωρά ραγδαία, αποδεικνύοντας την αξία αυτής της βιομηχανίας.
Παρά τις πολλά υποσχόμενες δυνατότητες του GigaPath, το ταξίδι για την ενσωμάτωση αυτής της τεχνολογίας σε κλινικά περιβάλλοντα και κλίμακα. για τις σχετικές ρυθμίσεις μόλις αρχίζει. Οι καινοτόμοι και οι ηγέτες του κλάδου πρέπει να αντιμετωπίσουν τις προκλήσεις της ενσωμάτωσης αυτής της τεχνολογίας με τρόπο που να διασφαλίζει ακριβή αποτελέσματα υγειονομικής περίθαλψης, το απόρρητο και τις αρχές ηθικής χρήσης. Εάν γίνει σωστά, το GigaPath θα μπορούσε να επηρεάσει σημαντικά τον τομέα της ψηφιακής παθολογίας.
