Microsoft ha introdotto GigaPath, un modello di trasformatore di visione (ViT) volto ad affrontare le complessità del digitale patologia. Sviluppato in collaborazione con il Providence Health System e l’Università di Washington, questo modello promette di migliorare l’analisi patologica dell’intero vetrino utilizzando metodi computazionali avanzati.
GigaPath risponde alle esigenze computazionali dei vetrini gigapixel: immagini significativamente più grandi di quelle tipiche – impiegando meccanismi dilatati di autoattenzione. Questa tecnica consente al modello di gestire l’ampio calcolo richiesto per analizzare immagini così grandi. La patologia digitale di solito comporta la conversione di vetrini tradizionali in immagini digitali, facilitando una migliore visualizzazione, analisi e archiviazione.
Sviluppo collaborativo e formazione
Lo sviluppo di GigaPath è il risultato di uno sforzo di collaborazione tra Microsoft, Providence Health System e l’Università di Washington. Prov-GigaPath è un modello di base per la patologia a vetrino intero ad accesso aperto. È stato pre-addestrato su un miliardo di riquadri di immagini patologiche da 256 x 256 derivati da oltre 170.000 diapositive intere, utilizzando dati del mondo reale. Tutti i calcoli sono stati eseguiti presso l’affittuario privato di Providence, con l’approvazione del Providence Institutional Review Board (IRB).
Il processo di formazione di GigaPath prevede un processo di formazione in due fasi approccio all’apprendimento curriculare. Inizia con la formazione preliminare a livello di riquadro utilizzando il trasformatore di visione autocontrollato di Meta, modello DINOv2, e prosegue con la formazione preliminare a livello di diapositiva con un modulo mascherato codificatore automatico e LongNet. Il metodo di autosupervisione DINOv2 combina la perdita di ricostruzione mascherata e la perdita di contrasto per addestrare i trasformatori della visione. L’attenzione dilatata di LongNet è adattata per la modellazione a livello di diapositiva, segmentando la sequenza di tessere in parti gestibili e implementando un’attenzione scarsa per segmenti più lunghi.
Metriche e applicazioni delle prestazioni
GigaPath ha mostrato prestazioni notevoli, superando il secondo miglior modello in 18 su 26 attività relative alla sottotipizzazione e alla patologia del cancro. La sottotipizzazione del cancro prevede la categorizzazione di sottotipi specifici utilizzando diapositive di patologia, mentre i compiti di patomica classificano i tumori sulla base di alterazioni genetiche importanti dal punto di vista terapeutico. Prov-GigaPath ha dimostrato prestazioni superiori, in particolare nello scenario pan-cancro, ottenendo notevoli miglioramenti in AUROC e AUPRC rispetto ad altri metodi.
L’efficacia del modello è stata ulteriormente convalidata utilizzando i dati del Cancer Genome Atlas Program (TCGA), dove ha costantemente sovraperformato altri approcci. La capacità di GigaPath di estrarre caratteristiche morfologiche specifiche del sottotipo e del pan-cancro geneticamente collegate a livello dell’intero vetrino sottolinea il suo potenziale per la ricerca futura sull’intricata biologia del microambiente tumorale.
I progressi di Microsoft nell’intelligenza artificiale generativa hanno giocato un ruolo importante un ruolo cruciale nello sviluppo di GigaPath. Il processo di trasformazione di un vetrino microscopico standard di tessuto tumorale in un’immagine digitale ad alta risoluzione è ora ampiamente accessibile. In uno studio pubblicato su Nature, i ricercatori dietro GigaPath hanno dettagliato varie applicazioni per l’analisi della patologia da parte dello strumento immagini. Lo studio ha rilevato che GigaPath ha migliorato la sottotipizzazione del cancro per nove tipi principali di cancro e ha sovraperformato tutti gli approcci concorrenti nelle attività di sottotipizzazione.
Una pietra miliare per la medicina di precisione
GigaPath è destinato a favorire la medicina di precisione, che si concentra sulla comprensione del trattamento e della prevenzione delle malattie considerando la composizione genomica e le caratteristiche specifiche di un individuo. Con miliardi di dollari investiti nella medicina di precisione, la ricerca in questo campo sta avanzando rapidamente, dimostrando il valore di questo settore.
Nonostante il potenziale promettente di GigaPath, il viaggio per integrare questa tecnologia in ambienti clinici e su scala alle impostazioni pertinenti è solo all’inizio. Gli innovatori e i leader del settore devono affrontare le sfide legate all’integrazione di questa tecnologia in modo da salvaguardare risultati sanitari accurati, privacy e principi di utilizzo etico. Se eseguito correttamente, GigaPath potrebbe avere un impatto significativo nel campo della patologia digitale.
