מודל הבינה המלאכותית Virchow מתעלה על שיטות קליניות בגילוי סרטן

במחקר שפורסם לאחרונה בכתב העת רפואת טבעצוות גדול של חוקרים בארצות הברית דנה בשימוש במודל הבסיסי Virchow לניתוח חישובי של דיווחים פתולוגיים והדגים את השימוש שלו בניתוח היסטופתולוגי כדי לחזות סמנים ביולוגיים ולזהות תאים בשבע צורות נדירות ותשע צורות נפוצות של סרטן.

מערך ההדרכה, אלגוריתם האימון והיישום של Virchow, מודל יסוד לפתולוגיה חישובית. אניתן לתאר את נתוני האימון במונחים של מטופלים, מקרים, דגימות, בלוקים או שקופיות, כפי שמוצג. ב–דהתפלגות השקופיות כפונקציה של מצב הסרטן (ב), ניתוח (ג) וסוג רקמה (ד). הזרימת הנתונים במהלך האימון דורשת עיבוד של השקופית לאריחים, אשר נחתכים לאחר מכן לתצוגות גלובליות ומקומיות. ו, סכימה של יישומים של מודל היסוד באמצעות מודל אגרגטור לניבוי תכונות ברמת השקופיות. GI, מערכת העיכול. לימוד: מודל יסוד לפתולוגיה חישובית ברמה קלינית וגילוי סוגי סרטן נדירים

רקע כללי

האבחנה של סרטן הייתה תלויה באופן מסורתי בבדיקה של תכשירים היסטופתולוגיים של שקופיות המטוקסילין ואאוזין באמצעות מיקרוסקופי אור. ההתקדמות בטכנולוגיה דיגיטלית ופתולוגיה חישובית החליפו זאת בתמונות של שקופיות שניתן לבחון באופן חישובי, מה שהופך את צורת האבחון הזו לחלק מהפרקטיקה הקלינית השגרתית.

השימוש בבינה מלאכותית (AI) באבחון ואפיון של סרטן באמצעות תמונות דיגיטאליות של שקופיות גדל גם הוא באופן משמעותי, כאשר המאמצים הראשוניים התמקדו בשיפור זרימות העבודה. עם זאת, מחקרים אחרונים חקרו תת-תחום שבו נעשה שימוש נרחב ב-AI כדי לנתח תמונות של שקופיות שלמות כדי לחשוף יותר מסתם מידע אבחוני, כולל תגובות טיפוליות ופרוגנוזה. זה גם מקטין את ההסתמכות על בדיקות גנומיות ושיטות מבוססות אימונוהיסטוכימיה לאבחון סרטן.

לגבי המחקר

במחקר הנוכחי דנו החוקרים במודל היסודי הגדול ביותר שפותח עד כה, וירצ'וב. הם הדגימו את השימוש בו בחיזוי סמנים ביולוגיים של סרטן במגוון רחב של סוגי סרטן נפוצים ונדירים.

מודלים בסיסיים הם רשתות עצביות בקנה מידה גדול שהוכשרו על מערכי נתונים גדולים מאוד תוך שימוש בלמידה בפיקוח עצמי. מודלים אלה יוצרים ייצוגי נתונים הידועים בשם הטמעות, שיכולים לאסוף נתונים כלליים ממערכי נתונים גדולים ליישום במקרים עם נתונים לא מספקים ולמשימות חיזוי כגון קביעת תוצאות קליניות, שינויים גנומיים ותגובות טיפוליות.

מודל יסודי יעיל יכול ללכוד דפוסי ספקטרום רחב כגון ארכיטקטורת רקמות, מורפולוגיה גרעינית, מורפולוגיה תאית, נמק, דפוסי צביעה, ניאווסקולריזציה, דלקת וביטוי של סמנים ביולוגיים שניתן להשתמש בהם כדי לחזות מאפיינים שונים של תמונה של שקף שלם.

כאן, החוקרים דנו בווירכוב, המודל הבסיסי הגדול ביותר שפותח עד כה, הנקרא על שם הפתולוג המודרני החלוץ רודולף וירצ'וב. המודל הוכשר על מערך נתונים גדול של כמעט 1.5 מיליון תמונות של המטוקסילין ואאוזין של שקופיות שהתקבלו ממאה אלף חולים הרשומים במרכז הסרטן Memorial Sloan Kettering (MSKCC). מערך הנתונים מורכב מדגימות רקמה שפירות וממאירות המתקבלות מכריתות וביופסיות של 17 סוגי רקמות.

Virchow הוא דגם שנאי ראייה הכולל 632 מיליון פרמטרים. הוא מאומן באמצעות אלגוריתם בפיקוח עצמי המשתמש באזורים מקומיים וגלובליים של אריחי הרקמה כדי ליצור הטבעות של תמונות של שקף שלם שניתן להשתמש בהן למשימות חיזוי.

כדי להדגיש את היישומים הקליניים ואת התועלת של מודל יסוד כה גדול, החוקרים השתמשו בהטמעות Virchow שנוצרו ממערך הנתונים הגדול של תמונות של שקופיות שלמות כדי לאמן מודל פאנל-סרטני ולהעריך את הביצועים שלו בניבוי צורות נפוצות ונדירות של סרטן. רמת הדגימה על פני רקמות שונות.

המחקר השווה את הביצועים של הטבעות Virchow מול הטבעות Phikon, UNI ו- CTransPath והעריך את התועלת של הטבעות Virchow בשתי קטגוריות. הראשון היה הביצועים של מודל זיהוי הפאן-סרטן שהוכשר באמצעות הטבעות Virchow על מערך נתונים בדיקה המורכב משילוב של מערכי נתונים מ-MSKCC ומקורות חיצוניים המשתרעים על פני שבעה נדירים ותשעה סוגים נפוצים של סרטן. היעילות של הטבעת Virchow בחיזוי סמנים ביולוגיים באמצעות נתונים מסרטן כגון סרטן ריאות, שלפוחית ​​השתן, השד והמעי הגס הוערכה גם היא.

תוצאות

המחקר הראה שהטבעות של Virchow הדגימו את הערך הכפול של מודל בסיסי של פתולוגיה על ידי היותם ניתנים להכללה ומספקים יעילות נתוני אימון. מודל הפאן-סרטן שאומן על הטבעות של Virchow הצליח לזהות לא רק את הצורות הנפוצות של הסרטן, אלא גם את תת-הסוגים ההיסטולוגיים הנדירים יותר במערך הנתונים של הבדיקה.

יתר על כן, הביצועים של המודל הפאן-סרטן היו דומים לאלו של מודלים לגילוי סרטן בדרגה קלינית, ובמקרים של כמה סוגי סרטן נדירים, אף עלו על אלו של המודלים הקליניים למרות שהוכשרו על מערכי נתונים עם פחות תוויות ספציפיות לרקמות .

החוקרים ציינו כי רמת הביצועים של המודל הייתה בולטת במיוחד בהתחשב בעובדה שמערך הנתונים המשמש לאימון המודל הפאן-סרטני לא עבר את ההעשרה של תת-האוכלוסיה ובקרת האיכות שבוצעו לצורך אימון מודלים של AI בשימוש מסחרי וקליני.

א,בביצועים כפי שנמדדו לפי AUC של שלושה מוצרים קליניים בהשוואה למודל הפאן-סרטן שאומן על הטבעות של Virchow, בגרסה הנדירה (א) ומערכי נתונים לבדיקת מוצרים (ב). גלאי הפאן-סרטן, שהוכשר על הטבעות של מודל Virchow, משיג ביצועים דומים למוצרים בדרגה קלינית באופן כללי, ועולה עליהם בגרסאות נדירות של סוגי סרטן. גגלאי הסרטן הפאן הוכשר על פחות דגימות מסווגות בהשוואה למודלים הקליניים של הערמונית, השד וה-BLN, כולל חלק קטן של דגימות רקמה של הערמונית (צהבהב), השד (כחול) ו-BLN (צהוב) שהמודלים הקליניים הללו היו בהתאמה. מאומן על. ד, סיווג של מודלים של כשל של מודל הפאן-סרטן וארבע דוגמאות קנוניות לסוגי הכישלונות העיקריים. בכל הלוחות, * משמש לציון מובהקות סטטיסטית בזוגיות (*P < 0.05, **P < 0.01, ***P < 0.001, ****P < 0.0001; מבחן DeLong של צמד). פסי שגיאה מציינים את רווח הסמך הדו-צדדי של 95%, המוערך בשיטת DeLong. ג., קרצינומה. Inv., פולשני.

מסקנות

לסיכום, המחקר הראה כי מודל פאן-סרטן שאומן באמצעות הטבעות Virchow היה מסוגל להשוות ולעיתים טוב יותר ממודלים ברמה קלינית באיתור צורות נפוצות ונדירות של סרטן למרות שהוכשר על מערכי נתונים עם פחות תוויות רקמות.

בסך הכל, הממצאים הדגישו את המשמעות והתועלת של מודלים בסיסיים כמו Virchow ביישומים הכוללים כמויות מוגבלות של נתוני אימון, מה שהם מספקים בסיס למודלים קליניים שונים בפתולוגיה של סרטן.