Ipinakilala ng Microsoft ang GigaPath, isang vision transformer model (ViT) na naglalayong harapin ang mga kumplikado ng digital patolohiya. Binuo sa pakikipagtulungan sa Providence Health System at sa Unibersidad ng Washington, ang modelong ito ay nangangako na pahusayin ang whole-slide pathology analysis gamit ang mga advanced na computational method.
GigaPath ay tumutugon sa computational demands ng gigapixel slides—mga larawang mas malaki kaysa sa karaniwang mga —sa pamamagitan ng paggamit ng mga mekanismo ng pinalawak na pansin sa sarili. Ang diskarteng ito ay nagbibigay-daan sa modelo na pangasiwaan ang malawak na pagtutuos na kinakailangan para sa pagsusuri ng gayong malalaking larawan. Karaniwang kinasasangkutan ng digital pathology ang pag-convert ng tradisyonal na mga glass slide sa mga digital na imahe, na nagpapadali sa pinahusay na pagtingin, pagsusuri, at storage.
Collaborative Development and Training
Ang pagbuo ng GigaPath ay ang resulta ng isang collaborative na pagsisikap sa pagitan ng Microsoft, Providence Health System, at ng University of Washington. Ang Prov-GigaPath ay isang open-access na whole-slide pathology foundation model. Ito ay na-pretrained sa isang bilyong 256 x 256 na mga tile ng larawan ng patolohiya na hinango mula sa mahigit 170,000 buong slide, gamit ang real-world na data. Ang lahat ng pagkalkula ay isinagawa sa pribadong nangungupahan ng Providence, na may pag-apruba ng Providence Institutional Review Board (IRB).
Ang proseso ng pagsasanay ng GigaPath ay nagsasangkot ng dalawang yugto diskarte sa pag-aaral ng kurikulum. Nagsisimula ito sa tile-level na pretraining gamit ang Meta’s self-supervised vision transformer Model DINOv2, at umuusad sa slide-level na pretraining na may masked autoencoder at LongNet. Pinagsasama ng DINOv2 na pamamaraan ng self-supervision ang masked reconstruction loss at contrastive loss upang sanayin ang mga transformer ng paningin. Ang pinalawak na atensyon ng LongNet ay iniangkop para sa pagmomodelo sa antas ng slide, pagse-segment sa pagkakasunud-sunod ng tile sa mga napapamahalaang piraso at pagpapatupad ng kaunting atensyon para sa mas mahabang mga segment.
Mga Sukatan at Aplikasyon ng Pagganap
Ang GigaPath ay nagpakita ng kahanga-hangang pagganap, na nalampasan ang pangalawang pinakamahusay na modelo sa 18 sa 26 na gawain na may kaugnayan sa cancer subtyping at pathomics. Ang subtyping ng cancer ay kinabibilangan ng pagkakategorya ng mga partikular na subtype gamit ang mga slide ng patolohiya, habang ang mga gawain sa pathomic ay nag-uuri ng mga tumor batay sa therapeutically important genetic alterations. Ang Prov-GigaPath ay nagpakita ng mahusay na pagganap, lalo na sa pan-cancer scenario, na nakakamit ng mga kapansin-pansing pagpapabuti sa AUROC at AUPRC kumpara sa iba pang mga pamamaraan.
Ang pagiging epektibo ng modelo ay higit na napatunayan gamit ang data mula sa Cancer Genome Atlas Program (TCGA), kung saan tuloy-tuloy itong nalampasan ang iba pang mga diskarte. Ang kakayahan ng GigaPath na i-extract ang genetically linked na pan-cancer at subtype-specific na morphological feature sa buong slide level ay binibigyang-diin ang potensyal nito para sa hinaharap na pananaliksik sa masalimuot na biology ng tumor microenvironment.
Naglaro ang mga pagsulong ng Microsoft sa generative AI isang mahalagang papel sa pagbuo ng GigaPath. Ang proseso ng pagbabago ng karaniwang microscopy slide ng tumor tissue sa isang high-resolution na digital na imahe ay malawak na naa-access ngayon. Sa isang pag-aaral na inilathala sa Kalikasan, ang mga mananaliksik sa likod ng GigaPath ay nagdetalye ng iba’t ibang aplikasyon para sa pagsusuri ng patolohiya ng tool mga larawan. Nalaman ng pag-aaral na pinahusay ng GigaPath ang cancer sub-typing para sa siyam na pangunahing uri ng cancer at nalampasan ang lahat ng nakikipagkumpitensyang diskarte sa mga sub-typing na gawain.
Isang Milestone para sa Precision Medicine
Sa kabila ng magandang potensyal ng GigaPath, ang paglalakbay upang maisama ang teknolohiyang ito sa mga klinikal na kapaligiran at sukat nagsisimula pa lang ito sa mga nauugnay na setting. Dapat i-navigate ng mga innovator at lider ng industriya ang mga hamon ng pag-embed ng teknolohiyang ito sa paraang pinangangalagaan ang tumpak na mga resulta ng pangangalagang pangkalusugan, privacy, at mga prinsipyo ng etikal na paggamit. Kung gagawin nang tama, maaaring malaki ang epekto ng GigaPath sa larangan ng digital pathology.
