Un modelo de base de diapositivas completas para la patología digital a partir de datos del mundo real

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en la medicina
• Análisis de imágenes de patología digital

Sus antecedentes:

• Las diapositivas de gigapixel de patología digital presentan desafíos computacionales significativos.
• Los modelos anteriores a menudo usaban submuestreo de baldosas, perdiendo el contexto crucial de la diapositiva completa.
• Hay una necesidad de modelos capaces de analizar diapositivas de patología digitales enteras.

Objetivo del estudio:

• Para introducir Prov-GigaPath, un nuevo modelo de base de patología de diapositivas.
• Para permitir un análisis exhaustivo de diapositivas de patología gigapixel.
• Para avanzar en las capacidades de la inteligencia artificial en patología digital.

Principales métodos:

• El entrenamiento previo de Prov-GigaPath en 1.300 millones de imágenes de 171.189 diapositivas enteras.
• Desarrollo de GigaPath, una arquitectura de transformador de visión adaptada de LongNet para el análisis de diapositivas de gigapixel.
• Creación de un punto de referencia con 9 subtipos de cáncer y 17 tareas patológicas utilizando datos de Providence y TCGA.

Principales resultados:

• Prov-GigaPath logró un rendimiento de vanguardia en 25 de las 26 tareas de referencia.
• Se observaron mejoras significativas con respecto a los métodos existentes en 18 tareas.
• Potencial demostrado en el entrenamiento previo del lenguaje visual mediante la incorporación de informes de patología.

Conclusiones:

• Prov-GigaPath es un modelo de base de peso abierto que sobresale en tareas de patología digital.
• El estudio pone de relieve la importancia de los datos a gran escala del mundo real y el análisis de diapositivas completas.
• Prov-GigaPath establece un nuevo estándar para la IA en patología digital.