Microsoft on esitellyt GigaPathin, näönmuuntajamallin (ViT), jonka tarkoituksena on ratkaista digitaalisen tekniikan monimutkaisuus. patologia. Tämä malli on kehitetty yhteistyössä Providence Health Systemin ja Washingtonin yliopiston kanssa, ja se lupaa tehostaa koko dian patologian analysointia kehittyneillä laskennallisilla menetelmillä.
GigaPath vastaa gigapikselisten diojen laskennallisiin vaatimuksiin – kuviin huomattavasti suurempia kuin tavalliset kuvat.-hyödyntämällä laajennettuja itsetarkkailumekanismeja. Tämä tekniikka mahdollistaa sen, että malli pystyy käsittelemään laajan laskennan, joka tarvitaan niin suurten kuvien analysointiin. Digitaalinen patologia tarkoittaa yleensä perinteisten lasilevyjen muuntamista digitaalisiksi kuviksi, mikä helpottaa katselua, analysointia ja säilytystä.
Yhteistyö ja koulutus
GigaPathin kehitys on Microsoftin, Providence Health Systemin ja Washingtonin yliopiston yhteistyön tulos. Prov-GigaPath on avoimen pääsyn koko diapatologian perusmalli. Se esiopetettiin miljardilla 256 x 256 patologiakuvaruudulla, jotka oli johdettu yli 170 000 kokonaisesta diasta todellisen datan avulla. Kaikki laskelmat suoritettiin Providencen yksityisellä vuokralaisella Providence Institutional Review Boardin (IRB) suostumuksella..
GigaPathin koulutusprosessi sisältää kaksivaiheisen opetussuunnitelman mukaista oppimistapaa. Se alkaa laattatason esiharjoittelulla Metan itseohjatulla näönmuuntajalla DINOv2 ja etenee diatason esiharjoitteluun naamioidulla autoencoder ja LongNet. DINOv2-itsevalvontamenetelmä yhdistää naamioituneen rekonstruktiohäviön ja kontrastihäviön kouluttaakseen näkömuuntajia. LongNetin laajennettu huomio on mukautettu diatason mallintamiseen, laattojen sekvenssin segmentointiin hallittaviin osiin ja vähäisen huomion toteuttamiseen pidemmissä segmenteissä.
Suorituskykymittarit ja sovellukset
GigaPath on osoittanut huomattavaa suorituskykyä, ohittaen toiseksi parhaan mallin 18:ssa 26:sta syövän alatyypitykseen ja patomiikkaan liittyvästä tehtävästä. Syövän alatyypit luokittelevat tiettyjä alatyyppejä käyttämällä patologisia dioja, kun taas patomiikkatehtävät luokittelevat kasvaimet terapeuttisesti tärkeiden geneettisten muutosten perusteella. Prov-GigaPath on osoittanut ylivertaista suorituskykyä erityisesti pan-syöpäskenaariossa, ja se on saavuttanut merkittäviä parannuksia AUROC-ja AUPRC-arvoissa muihin menetelmiin verrattuna.
Mallin tehokkuutta vahvistettiin edelleen käyttämällä tietoja Cancer Genome Atlas Program (TCGA), jossa se suoriutui jatkuvasti muita lähestymistapoja paremmin. GigaPathin kyky poimia geneettisesti linkitettyä yleissyöpää ja alatyyppispesifisiä morfologisia piirteitä koko dian tasolla korostaa sen mahdollisuuksia tulevassa tutkimuksessa kasvaimen mikroympäristön monimutkaisessa biologiassa.
Microsoftin edistyminen generatiivisessa tekoälyssä on vaikuttanut. ratkaiseva rooli GigaPathin kehityksessä. Prosessi, jolla kasvainkudoksen standardimikroskooppilasit muunnetaan korkearesoluutioiseksi digitaaliseksi kuvaksi, on nyt laajalti saatavilla. Nature-lehdessä julkaistussa tutkimuksessa GigaPathin taustalla olevat tutkijat tarkensivat erilaisia sovelluksia työkalun patologian analysointiin. kuvia. Tutkimuksessa havaittiin, että GigaPath paransi syövän alatyypitystä yhdeksässä suuressa syöpätyypissä ja ylitti kaikki kilpailevat lähestymistavat alatyypitystehtävissä.
Tarkkuuslääketieteen virstanpylväs
GigaPath on asetettu hyödyksi tarkkuuslääketieteessä, joka keskittyy ymmärtämään sairauksien hoitoa ja ennaltaehkäisyä ottamalla huomioon yksilön tietyn genomisen rakenteen ja ominaisuudet. Miljardeja dollareita investoimalla tarkkuuslääketieteeseen tämän alan tutkimus edistyy nopeasti, mikä osoittaa tämän alan arvon.
Huolimatta GigaPathin lupaavista mahdollisuuksista, matka tämän tekniikan integroimiseksi kliinisiin ympäristöihin ja mittakaavaan se asianmukaisiin asetuksiin on vasta alussa. Innovaattoreiden ja alan johtajien on selviydyttävä tämän teknologian sisällyttämisen haasteista tavalla, joka turvaa tarkat terveydenhuollon tulokset, yksityisyyden ja eettiset käyttöperiaatteet. Oikein tehtynä GigaPath voi vaikuttaa merkittävästi digitaalisen patologian alaan.
