Microsoft বড় আকারের ক্যান্সার প্যাথলজি গবেষণার জন্য আরও দক্ষ AI মডেল প্রকাশ করে

কি হয়েছে

Microsoft রিসার্চ দুটি ওপেন-ওয়েট প্যাথলজি ফাউন্ডেশন মডেল ঘোষণা করেছে, GigaPath-Flash এবং GigaTIME-Flash, বৃহৎ আকারের ক্যান্সার গবেষণাকে গণনাগতভাবে ব্যবহারিক করার জন্য ডিজাইন করা হয়েছে। মডেলগুলি হল ওয়াশিংটন এবং প্রভিডেন্স বিশ্ববিদ্যালয়ের সাথে বিকশিত গবেষণা রিলিজ।

Microsoft গবেষণা বলছে গিগাপাথ-ফ্ল্যাশ এবং গিগাটাইম-ফ্ল্যাশ গিগাপথ এবং গিগাটাইম নামে পরিচিত আগের প্যাথলজি মডেলগুলিকে প্রসারিত করে৷ GigaPath পুরো-স্লাইড প্যাথলজি চিত্রগুলি বিশ্লেষণ করে, যখন GigaTIME টিউমার মাইক্রোএনভায়রনমেন্ট মডেল করে এবং রুটিন হেমাটোক্সিলিন-এন্ড-ইওসিন, বা H&E, ছবিগুলিকে ভার্চুয়াল স্থানিক প্রোটোমিক্স মানচিত্রে অনুবাদ করে। নতুন ফ্ল্যাশ মডেলগুলি একটি ক্লিনিকাল পণ্য প্রবর্তনের পরিবর্তে বড় দলগুলিতে বারবার এই জাতীয় সিস্টেমগুলি প্রয়োগ করার গণনামূলক ব্যয়কে মোকাবেলা করার উদ্দেশ্যে। তাই তাদের ফোকাস গবেষণা কর্মপ্রবাহ দক্ষতা এবং স্কেলে বিশ্লেষণ অ্যাক্সেসের উপর। বারবার ব্যবহারের জন্য কত কম্পিউটিং প্রয়োজন তা পরিবর্তন করার সময় রিলিজগুলি আগের মডেল পরিবারের সাথে একটি সংযোগ বজায় রাখে।

GigaPath-Flash একটি 22-মিলিয়ন-প্যারামিটার ViT-S টাইল এনকোডারকে 21-মিলিয়ন-প্যারামিটার লংনেট স্লাইড এনকোডারের সাথে একত্রিত করে। Microsoft বলছে কমপ্যাক্ট টাইল এনকোডারটি আসল বিলিয়ন-প্যারামিটার গিগাপাথ এনকোডার থেকে ডিস্টিল করা হয়েছিল, যখন স্লাইড এনকোডারটি বিস্তৃত মনোযোগ ব্যবহার করে যা চিত্র টাইলের সংখ্যার সাথে রৈখিকভাবে স্কেল করে। উত্সের উদ্ধৃত PANDA প্রোস্টেট-গ্রেডিং এবং EBRAINS ব্রেন-টিউমার-সাবটাইপিং বেঞ্চমার্ক, Microsoft রিপোর্ট করে যে GigaPath-Flash আসল GigaPath-এর 3% এর মধ্যে এসেছে যখন মোটামুটি 50 গুণ কম কম্পিউট ব্যবহার করে। অন্য কথায়, রিপোর্ট করা ফলাফলগুলি পারফরম্যান্সের সাথে অনেক ছোট মডেলকে যুক্ত করে যা সেই উদ্ধৃত পরীক্ষাগুলিতে আগের সিস্টেমের কাছাকাছি ছিল। তুলনাটি Microsoft এর মূল্যায়ন থেকে একটি দক্ষতার ফলাফল হিসাবে উপস্থাপন করা হয়েছে, প্রতিটি প্যাথলজি কাজ সম্পর্কে বিস্তৃত অনুসন্ধান হিসাবে নয়।

GigaTIME-Flash আসল GigaTIME কনভোলিউশনাল ব্যাকবোনকে GigaPath-Flash ViT-S এনকোডার দিয়ে প্রতিস্থাপন করে এবং H&E- থেকে-মাল্টিপ্লেক্স-ইমিউনোফ্লোরোসেন্স অনুবাদের জন্য একটি লাইটওয়েট কনভোলিউশনাল ডিকোডার ব্যবহার করে। Microsoft রিপোর্ট করেছে যে এটি তার পরীক্ষার সেট জুড়ে মূল মডেলের সাথে মিলে গেছে বা উন্নত হয়েছে এবং মস্তিষ্ক, স্তন, কোলন এবং ফুসফুসের ক্যান্সার কভার করে এমন চারটি বিতরণের বাইরে রয়েছে। উভয় মডেলই Apache 2.0 লাইসেন্সের অধীনে মুক্তি পেয়েছে, ওজন এবং কোড Hugging Face এর মাধ্যমে উপলব্ধ করা হয়েছে, উৎস অনুসারে। এটি গবেষকদের তাদের নিজস্ব সেটিংসে রিলিজগুলি পরিদর্শন এবং মূল্যায়ন করার জন্য প্রয়োজনীয় উপাদানগুলি দেয়৷ রিপোর্ট করা বন্টন বহির্ভূত পরীক্ষা মূল পরীক্ষার সেটের বাইরে তুলনাকে বিস্তৃত করে, কিন্তু এটি আরও মূল্যায়নের প্রয়োজনকে সরিয়ে দেয় না।

উত্স বিবরণ: microsoft.com ↗

কেন এটা গুরুত্বপূর্ণ

মডেলগুলি গবেষকদের বৃহত্তর রোগীর দলগুলি বিশ্লেষণ করতে এবং বিদ্যমান প্যাথলজি ডেটা ব্যবহার করে আরও পরীক্ষা-নিরীক্ষার পুনরাবৃত্তি করতে পারে। এটি রোগ জীববিজ্ঞান, বায়োমার্কার, টিউমার মাইক্রোএনভায়রনমেন্ট এবং ক্লিনিকাল ফলাফলের অধ্যয়নকে প্রসারিত করতে পারে, যদিও মডেলগুলি রোগীর যত্নের জন্য বৈধ নয়।

পুরো-স্লাইড প্যাথলজি চিত্রগুলি একটি গিগাপিক্সেল অতিক্রম করতে পারে এবং প্রতি স্লাইডে হাজার হাজার টাইলস প্রক্রিয়াকরণের প্রয়োজন হতে পারে৷ উত্সটি যুক্তি দেয় যে গবেষকরা যখন কয়েক হাজার রোগীর অধ্যয়ন করেন এবং বৈশিষ্ট্য নিষ্কাশন, পরিসংখ্যান বিশ্লেষণ, অনুমান পরীক্ষা এবং উপগোষ্ঠীর বৈধতা পুনরাবৃত্তি করেন তখন খরচ বিশেষত সীমাবদ্ধ হয়ে যায়। নিম্ন গণনা এবং মেমরির প্রয়োজনীয়তাগুলি তাই কোন গবেষণার প্রশ্নগুলি সম্ভাব্য তা প্রভাবিত করতে পারে, কেবলমাত্র একটি বিদ্যমান বিশ্লেষণ কত দ্রুত চলে তা নয়। একটি কর্মপ্রবাহ যা আরও অর্থনৈতিকভাবে পুনরাবৃত্তি করা যেতে পারে তা গবেষণা গোষ্ঠীর জন্য বৃহত্তর তুলনা এবং অতিরিক্ত পরীক্ষাগুলিকে আরও ব্যবহারিক করে তুলতে পারে। উত্স দ্বারা বর্ণিত সম্ভাব্য সুবিধা এইভাবে স্কেল, পুনরাবৃত্তি এবং ইতিমধ্যে বিদ্যমান প্যাথলজি ডেটার সাথে কাজ করার ক্ষমতার সাথে আবদ্ধ।

Microsoft অনুমান করে যে 1,000টি স্লাইডের জন্য ভার্চুয়াল মাল্টিপ্লেক্স-ইমিউনোফ্লোরোসেন্স ডেটা তৈরি করতে প্রায় দুই GPU-ঘন্টা লাগবে GigaTIME-Flash এর সাথে সাতটি GPU-ঘন্টা GigaTIME-এর সাথে একটি NVIDIA A100, অনুমান সহ অনুমানের অধীনে। 100,000 স্লাইডের জন্য, অনুমান হল প্রায় সাত GPU-দিন বনাম 30 GPU-দিন; এক মিলিয়ন স্লাইডের জন্য, প্রায় 70 GPU-দিন বনাম 300 GPU-দিন। এগুলি মডেল করা অনুমান, স্বাধীন পরিমাপ নয়, এবং উত্স বলে যে প্রকৃত রানটাইমগুলি স্লাইডের আকার, টাইলিং রেজোলিউশন এবং হার্ডওয়্যারের উপর নির্ভর করে। অনুমানগুলি চিত্রিত করে যে প্রতি-স্লাইড প্রক্রিয়াকরণে একটি পার্থক্য কীভাবে বৃদ্ধি পেতে পারে যখন দলটি অনেক বড় হয়ে যায়। প্রতিটি বাস্তবায়নের গ্যারান্টিযুক্ত ফলাফলের পরিবর্তে উল্লিখিত অনুমানের সাথে আবদ্ধ পরিস্থিতি গণনা হিসাবে সেগুলি এখনও পড়া উচিত।

ব্যবহারিক গুরুত্বও খোলামেলাতার সাথে জড়িত। একটি Apache 2.0 রিলিজ একাডেমিক এবং অন্যান্য গবেষণা গোষ্ঠীগুলিকে তাদের নিজস্ব প্রযুক্তিগত সংস্থান এবং শাসনের সাপেক্ষে শুধুমাত্র হোস্ট করা পরিষেবার উপর নির্ভর না করে মডেলগুলি পরিদর্শন, মানিয়ে নিতে এবং মূল্যায়ন করতে দেয়। কিন্তু দক্ষতা বৈজ্ঞানিক বৈধতা প্রতিষ্ঠা করে না। উত্সটি স্পষ্টভাবে বলে যে মডেলগুলি প্রাথমিক গবেষণা রিলিজ, সীমিত বেঞ্চমার্ক এবং দলগুলির উপর পরীক্ষা করা হয়েছে এবং রোগ নির্ণয়, পূর্বাভাস, চিকিত্সা নির্বাচন বা অন্যান্য রোগীর যত্নের সিদ্ধান্তের জন্য উদ্দেশ্য বা বৈধ নয়। উন্মুক্ত অ্যাক্সেস যাচাই-বাছাই এবং পরীক্ষা-নিরীক্ষাকে বিস্তৃত করতে পারে, তবে এটি নির্ভরযোগ্যতা বা ক্লিনিকাল উপযোগিতা সম্পর্কে প্রমাণের বিকল্প নয়। শক্তিশালী সমর্থিত নিহিতার্থ হল যে আরও গোষ্ঠী গবেষণার সরঞ্জাম এবং তাদের সীমা পরীক্ষা করতে সক্ষম হতে পারে।

পরবর্তী কি দেখতে

প্রধান প্রশ্ন হল রিপোর্ট করা দক্ষতা এবং কর্মক্ষমতা আরও প্রতিষ্ঠান, স্ক্যানার, টিস্যুর ধরন, জনসংখ্যা এবং গবেষণা কাজগুলি জুড়ে রয়েছে কিনা। স্বাধীন মূল্যায়ন এবং ক্লিনিকাল বৈধতা প্রয়োজনীয় রয়ে গেছে, এবং উত্সটি প্রতিষ্ঠিত করে না যে মডেলগুলি রোগ নির্ণয়, পূর্বাভাস বা চিকিত্সার সিদ্ধান্তগুলিকে উন্নত করে।

স্বাধীন প্রতিলিপির বিভিন্ন হার্ডওয়্যার, স্লাইডের আকার, প্রিপ্রসেসিং পাইপলাইন এবং ব্যাচের আকারের অধীনে রিপোর্ট করা দক্ষতা-কর্মক্ষমতা ট্রেডঅফ পরীক্ষা করা উচিত। মডেলগুলি স্ক্যানার, প্রতিষ্ঠান, স্টেনিং অনুশীলন, টিস্যুর গুণমান, ক্যান্সারের ধরন এবং রোগীর জনসংখ্যা জুড়ে নির্ভরযোগ্য কিনা তাও পরীক্ষা করা উচিত। Microsoft নিজেই বলে যে বিস্তৃত বৈধতা এখনও প্রয়োজন, তাই রিপোর্ট করা বেঞ্চমার্ক ফলাফলগুলিকে নিষ্পত্তিকৃত প্রমাণের পরিবর্তে মডেল ডেভেলপারদের দাবি হিসাবে বিবেচনা করা উচিত। এই ধরনের পরীক্ষা গবেষণা পরিবেশ জুড়ে সাধারণীকরণ ফলাফল থেকে রিপোর্ট সেটআপের উপর নির্ভর করে এমন ফলাফলগুলিকে আলাদা করতে সাহায্য করবে। আশেপাশের ডেটা-প্রসেসিং ওয়ার্কফ্লো পরিবর্তিত হলে নিম্ন সম্পদের প্রয়োজনীয়তাগুলি কার্যকর থাকে কিনা তাও এটি দেখাবে।

গবেষকদের আরও ভাল উপস্থাপনা শেখার দরকারী জৈবিক অনুসন্ধানে অনুবাদ করা হবে কিনা তা নির্ধারণ করতে হবে। উত্সটি গিগাটাইম এর 14,000 টিরও বেশি ক্যান্সার রোগীর এবং 1,200 টিরও বেশি পরিসংখ্যানগতভাবে ইমিউন-সেল স্টেট এবং ক্লিনিকাল বায়োমার্কারের মধ্যে গুরুত্বপূর্ণ অ্যাসোসিয়েশনের পূর্ববর্তী বিশ্লেষণের দিকে নির্দেশ করে, তবে এটি দেখায় না যে ফ্ল্যাশ মডেলগুলি স্বাধীনভাবে সেই সংস্থাগুলিকে পুনরুত্পাদন করে বা বৈধ আবিষ্কারগুলি তৈরি করে৷ একইভাবে পরিসংখ্যানগত সংস্থাগুলি নিজেরাই কার্যকারণ বা ক্লিনিকাল সুবিধা প্রদর্শন করে না। প্রাসঙ্গিক প্রশ্ন হল নতুন মডেলগুলি স্বাধীন বিশ্লেষণ এবং অতিরিক্ত বৈধতার পরে অর্থবহ থাকা অনুসন্ধানগুলিকে সমর্থন করে কিনা। দক্ষতা সেই তদন্তগুলিকে পুনরাবৃত্তি করা সহজ করে তুলতে পারে, তবে এটি ফলাফলগুলির আশেপাশের প্রমাণিত প্রশ্নগুলির সমাধান করে না।

সবচেয়ে ফলপ্রসূ অজানা হল ডাউনস্ট্রিম ক্লিনিকাল কর্মক্ষমতা। উত্সটি ফ্ল্যাশ মডেলগুলির জন্য কোনও সম্ভাব্য ক্লিনিকাল ট্রায়াল, স্থাপনার ডেটা, ডায়াগনস্টিক নির্ভুলতা বিশ্লেষণ, চিকিত্সা-ফলাফল প্রমাণ, বা উপগোষ্ঠীর ক্ষতির মূল্যায়ন সরবরাহ করে না। ক্লিনিকাল ব্যবহার বিবেচনা করার আগে, উত্স বলে যে অতিরিক্ত বহু-প্রাতিষ্ঠানিক এবং সম্ভাব্য বৈধতা প্রয়োজন হবে। ততক্ষণ পর্যন্ত, স্পষ্ট সমর্থিত প্রভাব গণনামূলক: কিছু বড় আকারের প্যাথলজি গবেষণা কর্মপ্রবাহকে কম ব্যয়বহুল এবং আরও পুনরাবৃত্তিযোগ্য করে তোলে। রোগীর যত্নের দিকে গবেষণা টুলিং থেকে যে কোনও আন্দোলনের জন্য এখানে বর্ণিত দক্ষতা এবং বেঞ্চমার্ক তুলনার বাইরে প্রমাণের প্রয়োজন হবে। একটি ব্যবহারিক গবেষণা রিলিজ এবং একটি বৈধ ক্লিনিকাল সিস্টেমের মধ্যে পার্থক্য তাই ঘোষণাটি ব্যাখ্যা করার জন্য কেন্দ্রীয় রয়ে গেছে।

সম্পর্কিত গাইড এবং কুইজ