A Microsoft bemutatta a GigaPath-ot, egy látástranszformátor-modellt (ViT), amelynek célja a digitális technológia bonyolultságának kezelése. patológia. A Providence Health System-szel és a Washingtoni Egyetemmel együttműködésben kifejlesztett modell azt ígéri, hogy fejlett számítási módszerekkel javítja a teljes dia patológiai elemzését.
A GigaPath a gigapixeles diák számítási igényeit kielégíti – a szokásosnál lényegesen nagyobb képek esetén. – kitágult önfigyelő mechanizmusok alkalmazásával. Ez a technika lehetővé teszi a modell számára, hogy kezelje az ilyen nagy képek elemzéséhez szükséges kiterjedt számítási feladatokat. A digitális patológia általában magában foglalja a hagyományos üveglemezeket digitális képekké alakítva, ami megkönnyíti a jobb megtekintést, elemzést és tárolást.
Együttműködési fejlesztés és képzés
A GigaPath fejlesztése a Microsoft, a Providence Health System és a Washingtoni Egyetem együttműködésének eredménye. A Prov-GigaPath egy nyílt hozzáférésű, teljes diapatológiai alapmodell. Egymilliárd 256 x 256 méretű patológiás képcsempére előképezték, amely több mint 170 000 teljes diából származott, valós adatok felhasználásával. Minden számítás a Providence magánbérlőjénél történt, a Providence Institutional Review Board (IRB) jóváhagyásával..
A GigaPath képzési folyamata két szakaszból áll tantervi tanulási megközelítés. Csempeszintű előképzéssel kezdődik a Meta önfelügyelt DINOv2 modelljének használatával, majd a csúszdaszintű, maszkos előképzésig halad. autoencoder és LongNet. A DINOv2 önfelügyeleti módszer a maszkolt rekonstrukciós veszteséget és a kontrasztvesztést kombinálja a látástranszformátorok képzéséhez. A LongNet kitágított figyelme a diaszintű modellezéshez lett igazítva, a csempeszekvenciát kezelhető darabokra szegmentálja, és ritka figyelmet valósít meg hosszabb szegmensekhez.
Teljesítménymutatók és alkalmazások
A GigaPath figyelemre méltó teljesítményt mutatott, a rák altípusának meghatározásával és patomikájával kapcsolatos 26 feladatból 18-ban felülmúlta a második legjobb modellt. A rák altípusának meghatározása magában foglalja az egyes altípusok kategorizálását patológiai tárgylemezek segítségével, míg a patomikai feladatok osztályozzák a daganatokat a terápiás szempontból fontos genetikai változások alapján. A Prov-GigaPath kiváló teljesítményt mutatott be, különösen a pánrák forgatókönyvében, és jelentős javulást ért el az AUROC és az AUPRC területén más módszerekkel összehasonlítva.
A modell hatékonyságát tovább ellenőrizték a Cancer Genome Atlas Program (TCGA), ahol következetesen felülmúlta a többi megközelítést. A GigaPath azon képessége, hogy genetikailag összekapcsolt pánrákot és altípus-specifikus morfológiai jellemzőket képes kivonni a teljes dia szintjén, aláhúzza a potenciális jövőbeli kutatási lehetőségeket a tumor mikrokörnyezetének bonyolult biológiájával kapcsolatban.
A Microsoft által a generatív mesterséges intelligencia terén elért előrelépések jelentős szerepet játszottak. döntő szerepet játszik a GigaPath fejlesztésében. A tumorszövet szabványos mikroszkópos tárgylemezének nagy felbontású digitális képpé alakításának folyamata mára széles körben hozzáférhető. Egy a Nature-ben közzétett tanulmányban a GigaPath mögött álló kutatók részletesen ismertették az eszköz patológiás elemzésének különböző alkalmazásait. képeket. A tanulmány megállapította, hogy a GigaPath kilenc fő ráktípus esetében javította a rák altípusát, és felülmúlta az összes versengő megközelítést az altípus-meghatározási feladatokban.
A precíziós orvoslás mérföldköve
A GigaPath ígéretes lehetőségei ellenére, a technológia klinikai környezetekbe és skálába történő integrálására irányuló út. a megfelelő beállítások megadása még csak most kezdődik. Az újítóknak és az iparági vezetőknek úgy kell eligazodniuk a technológia beágyazásának kihívásai között, hogy biztosítsák a pontos egészségügyi eredményeket, a magánélet védelmét és az etikus felhasználási elveket. Ha helyesen csinálják, a GigaPath jelentős hatással lehet a digitális patológia területére.
