Microsoft telah memperkenalkan GigaPath, sebuah model transformator visi (ViT) yang ditujukan untuk mengatasi kompleksitas teknologi digital patologi. Dikembangkan melalui kerja sama dengan Providence Health System dan University of Washington, model ini menjanjikan peningkatan analisis patologi keseluruhan slide menggunakan metode komputasi tingkat lanjut.
GigaPath menjawab kebutuhan komputasi slide gigapixel—gambar yang jauh lebih besar dibandingkan gambar biasa. —Dengan menggunakan mekanisme perhatian diri yang melebar. Teknik ini memungkinkan model menangani komputasi ekstensif yang diperlukan untuk menganalisis gambar sebesar itu. Patologi digital biasanya melibatkan konversi slide kaca tradisional menjadi gambar digital, memfasilitasi peningkatan tampilan, analisis, dan penyimpanan.
Pengembangan dan Pelatihan Kolaboratif
Pengembangan GigaPath adalah hasil upaya kolaborasi antara Microsoft, Providence Health System, dan University of Washington. Prov-GigaPath adalah model dasar patologi seluruh slide dengan akses terbuka. Itu telah dilatih sebelumnya pada satu miliar ubin gambar patologi berukuran 256 x 256 yang berasal dari lebih dari 170.000 slide utuh, menggunakan data dunia nyata. Semua perhitungan dilakukan di penyewa swasta Providence, dengan persetujuan dari Providence Institutional Review Board (IRB).
Proses pelatihan GigaPath melibatkan dua tahap pendekatan pembelajaran kurikulum. Ini dimulai dengan prapelatihan tingkat ubin menggunakan transformator penglihatan mandiri Meta Model DINOv2, dan berlanjut ke prapelatihan tingkat geser dengan topeng autoencoder dan LongNet. Metode pengawasan mandiri DINOv2 menggabungkan kerugian rekonstruksi terselubung dan kerugian kontrastif untuk melatih transformator penglihatan. Perhatian LongNet yang melebar diadaptasi untuk pemodelan tingkat slide, menyegmentasikan urutan ubin menjadi bagian-bagian yang dapat dikelola dan menerapkan perhatian yang jarang untuk segmen yang lebih panjang.
Metrik dan Aplikasi Kinerja
GigaPath telah menunjukkan kinerja yang luar biasa, melampaui model terbaik kedua dalam 18 dari 26 tugas yang berkaitan dengan subtipe dan patologi kanker. Subtipe kanker melibatkan pengkategorian subtipe tertentu menggunakan slide patologi, sementara tugas patomik mengklasifikasikan tumor berdasarkan perubahan genetik yang penting secara terapeutik. Prov-GigaPath telah menunjukkan kinerja yang unggul, khususnya dalam skenario pan-kanker, mencapai peningkatan penting dalam AUROC dan AUPRC dibandingkan metode lainnya.
Kemanjuran model ini selanjutnya divalidasi menggunakan data dari Cancer Genome Atlas Program (TCGA), yang secara konsisten mengungguli pendekatan lainnya. Kemampuan GigaPath untuk mengekstraksi fitur morfologi pan-kanker dan subtipe spesifik yang terkait secara genetis pada seluruh tingkat slide menggarisbawahi potensinya untuk penelitian masa depan mengenai biologi rumit lingkungan mikro tumor.
Kemajuan Microsoft dalam AI generatif telah berperan penting peran penting dalam pengembangan GigaPath. Proses mengubah slide mikroskop standar jaringan tumor menjadi gambar digital resolusi tinggi kini dapat diakses secara luas. Dalam studi yang dipublikasikan di Nature, para peneliti di balik GigaPath merinci berbagai aplikasi untuk analisis patologi alat tersebut gambar-gambar. Studi ini menemukan bahwa GigaPath meningkatkan sub-tipe kanker untuk sembilan jenis kanker utama dan mengungguli semua pendekatan yang bersaing dalam tugas sub-tipe.
Sebuah Tonggak Sejarah untuk Pengobatan Presisi
GigaPath dirancang untuk memberikan manfaat bagi pengobatan presisi, yang berfokus pada pemahaman pengobatan dan pencegahan penyakit dengan mempertimbangkan susunan dan karakteristik genom spesifik seseorang. Dengan miliaran dolar yang diinvestasikan dalam pengobatan presisi, penelitian di bidang ini berkembang pesat, menunjukkan nilai industri ini.
Meskipun GigaPath memiliki potensi yang menjanjikan, perjalanan untuk mengintegrasikan teknologi ini ke dalam lingkungan dan skala klinis ke pengaturan yang relevan baru saja dimulai. Para inovator dan pemimpin industri harus mengatasi tantangan dalam menerapkan teknologi ini dengan cara yang menjaga hasil layanan kesehatan yang akurat, privasi, dan prinsip penggunaan yang etis. Jika dilakukan dengan benar, GigaPath dapat memberikan dampak signifikan pada bidang patologi digital.
