En un estudio reciente, los investigadores desarrollaron y evaluaron un modelo de enfermedad basado en IA llamado Prov-GigaPath. Según los investigadores, este es el primer modelo de referencia de patología de diapositiva completa para el diagnóstico de células cancerosas entrenado en grandes conjuntos de datos de casos reales.
La patología computacional ayuda a transformar el diagnóstico del cáncer ayudando a los profesionales a identificar los subtipos, estadios y posible progresión de la enfermedad. En muchos estudios, el aprendizaje automático y el aprendizaje profundo han mostrado mejores resultados para la detección temprana de cánceres de diversos tipos.
Providence Health Systems y la Universidad de Washington llevaron a cabo el último estudio de investigación, publicado en la revista Nature. Varios equipos internos de Microsoft también colaboraron para facilitar la investigación.
Prov-GigaPath diagnostica el cáncer
Prov-GigaPath se basa en el método de obtención de imágenes en portaobjetos completo, que se aplica ampliamente a la evaluación y el diagnóstico del cáncer.
En la técnica de imágenes de portaobjetos completos, un portaobjetos de microscopio de una imagen de tumor se transforma en una imagen digital de alta resolución. Estas imágenes de diapositivas completas contienen información crítica que ayuda a comprender el microambiente del tumor.
"Prov-Path es más de cinco veces más grande que TCGA en términos de número de mosaicos de imágenes y más de dos veces más grande que TCGA en términos de número de pacientes". Naturaleza.
Prov-GigaPath está capacitado en un gran conjunto de datos llamado Prov-path de Providence Health Network, que cuenta con 28 centros oncológicos. El conjunto de datos incluye más de 1.300 millones de mosaicos de imágenes de 171.189 diapositivas microscópicas reales. Las diapositivas se desarrollaron durante biopsias y resecciones de más de 30.000 pacientes y cubren 31 tipos de tejidos principales.
El conjunto de datos de Prov-Path también contiene datos sobre la estadificación del cáncer, informes de patología relacionados, perfiles de mutación del genoma y hallazgos histopatológicos. En conjunto, estos diferentes datos proporcionan una mejor comprensión de las condiciones del modelo.
GigaPath mejora la identificación de diapositivas Gigapixel
GigaPath es un nuevo transformador de visión que Prov-GigaPath utiliza para evaluar diapositivas de patología de gigapíxeles. Una diapositiva completa se convierte en una serie de fichas cuando se utilizan mosaicos de imágenes como fichas visuales. Para simplificar modelos complicados para el modelado de secuencias, el transformador de visión es una arquitectura neuronal.
La cuestión es que un transformador de visión convencional no se puede aplicar directamente a la patología digital debido a la gran cantidad de mosaicos en cada portaobjetos de microscopio. En el caso de los datos de Providence, el número de diapositivas puede llegar hasta 70.121. Los investigadores observaron que,
"Para abordar este problema, aprovechamos la atención autodilatada adaptando nuestro método LongNet recientemente desarrollado".
Muchas mutaciones genéticas que alteran la función están implicadas en la progresión del cáncer, lo que puede examinarse tanto para el diagnóstico como para el pronóstico del cáncer. El estudio encontró que a pesar de la disminución significativa en los costos de secuenciación, todavía existen brechas en la atención médica. Se cree que el acceso a la secuenciación de tumores en todo el mundo es el principal factor de esta brecha.
Los investigadores destacaron que predecir mutaciones tumorales a partir de imágenes patológicas puede ayudar a seleccionar métodos de tratamiento y fármacos personalizados.
Los investigadores comparan modelos de enfermedades
La patología digital presenta desafíos computacionales, ya que las diapositivas estándar de gigapíxeles suelen ser miles de veces más grandes que las imágenes naturales tradicionales. Los transformadores de visión convencionales tienen limitaciones y luchan por manejar imágenes tan gigantescas porque los requisitos computacionales aumentan con tales cantidades de datos.
Lea también: Herramienta de IA predice respuestas inmunes en la lucha contra el cáncer
Otro punto es que investigaciones anteriores de patología digital no han explotado las interdependencias entre los diferentes mosaicos de imágenes en cada portaobjetos de microscopio. Esta ignorancia de vincular interdependencias ha llevado a la eliminación del contexto a nivel de diapositiva, que es crucial para muchas aplicaciones, como el modelado del microambiente tumoral.
Para el estudio, los investigadores compararon Prov-GigaPath con otros modelos de referencia de patología disponibles públicamente, como HIPT, Ctranspath y REMEDIS. Los investigadores encontraron que Prov-gigaPath mostró un mejor rendimiento en 25 de 26 tareas, como señaló el estudio que,
"Prov-GigaPath logró una mejora del 23,5 % en AUROC (una medida de rendimiento para modelos de clasificación) y una mejora del 66,4 % en AUPRC (una medida útil cuando se trata de conjuntos de datos desequilibrados) en comparación con el segundo mejor modelo, REMEDIS".
El cáncer puede ser una enfermedad mortal y cuesta millones de vidas cada año. Como dijo Thomas Fuchs, cofundador y científico jefe del proveedor de patología digital Paige, en una entrevista con CNBC: “No tienes cáncer hasta que el patólogo lo dice. Este es el paso fundamental de todo el edificio médico”.
Como sabemos, las técnicas patológicas convencionales han contribuido al diagnóstico de enfermedades porque se basan en gran medida en la observación de muestras de tejido al microscopio. Sin embargo, con la tecnología y la inteligencia artificial a nuestro alcance, las prácticas están cambiando y el proceso de identificación y clasificación de tumores se ha acelerado. La mayoría de los modelos de patología de IA aprovechan la misma técnica de examinar portaobjetos bajo un microscopio, pero de forma digital.
Informe criptopolitano de Aamir Sheikh