Microsoft lanza modelos de IA más eficientes para la investigación de patología del cáncer a gran escala

que paso

Microsoft Research anunció dos modelos básicos de patología de peso abierto, GigaPath-Flash y GigaTIME-Flash, diseñados para hacer que la investigación del cáncer a gran escala sea más práctica desde el punto de vista computacional. Los modelos son comunicados de investigación desarrollados con la Universidad de Washington y Providence.

Microsoft La investigación dice que GigaPath-Flash y GigaTIME-Flash amplían modelos de patología anteriores llamados GigaPath y GigaTIME. GigaPath analiza imágenes de patología de diapositivas completas, mientras que GigaTIME modela microambientes tumorales y traduce imágenes de rutina de hematoxilina y eosina, o H&E, en mapas proteómicos espaciales virtuales. Los nuevos modelos Flash están destinados a abordar el costo computacional de aplicar repetidamente dichos sistemas a grandes cohortes, en lugar de introducir un producto clínico. Por lo tanto, su atención se centra en la eficiencia del flujo de trabajo de la investigación y el acceso al análisis a escala. Los lanzamientos mantienen una conexión con la familia de modelos anteriores al tiempo que cambian la cantidad de computación que se necesita para el uso repetido.

GigaPath-Flash combina un codificador de mosaico ViT-S de 22 millones de parámetros con un codificador deslizante LongNet de 21 millones de parámetros. Microsoft dice que el codificador de mosaicos compacto se destiló del codificador GigaPath original de mil millones de parámetros, mientras que el codificador de diapositivas utiliza atención dilatada que escala linealmente con la cantidad de mosaicos de imágenes. En los puntos de referencia de clasificación de próstata PANDA y subtipificación de tumores cerebrales EBRAINS citados por la fuente, Microsoft informa que GigaPath-Flash estuvo dentro del 3% del GigaPath original mientras usaba aproximadamente 50 veces menos computación. En otras palabras, el resultado informado combina un modelo mucho más pequeño con un rendimiento que se mantuvo cercano al del sistema anterior en las pruebas citadas. La comparación se presenta como un resultado de eficiencia de la evaluación de Microsoft, no como un hallazgo más amplio sobre cada tarea de patología.

GigaTIME-Flash reemplaza la columna vertebral convolucional GigaTIME original con el codificador GigaPath-Flash ViT-S y utiliza un decodificador convolucional liviano para la traducción de H&E a inmunofluorescencia multiplex. Microsoft informa que igualó o mejoró el modelo original en su conjunto de pruebas y en cuatro cohortes fuera de distribución que cubren cánceres de cerebro, mama, colon y pulmón. Ambos modelos se lanzan bajo la licencia Apache 2.0, con pesos y código disponibles a través de Hugging Face, según la fuente. Esto proporciona a los investigadores los componentes necesarios para inspeccionar y evaluar las emisiones en sus propios entornos. Las pruebas fuera de distribución informadas amplían la comparación más allá del conjunto de pruebas original, pero no eliminan la necesidad de realizar más evaluaciones.

Detalles de la fuente: microsoft.com ↗

Por qué es importante

Los modelos podrían permitir a los investigadores analizar cohortes de pacientes más grandes y repetir más experimentos utilizando datos de patología existentes. Esto puede ampliar los estudios sobre la biología de las enfermedades, los biomarcadores, los microambientes tumorales y los resultados clínicos, aunque los modelos no están validados para la atención al paciente.

Las imágenes de patología de diapositivas completas pueden exceder un gigapíxel y pueden requerir el procesamiento de miles de mosaicos por diapositiva. La fuente sostiene que el costo se vuelve especialmente restrictivo cuando los investigadores estudian decenas de miles de pacientes y repiten la extracción de características, el análisis estadístico, la prueba de hipótesis y la validación de subgrupos. Por lo tanto, unos requisitos de computación y memoria más bajos podrían afectar qué preguntas de investigación son factibles, no sólo la rapidez con la que se ejecuta un análisis existente. Un flujo de trabajo que pueda repetirse de forma más económica puede hacer que las comparaciones más amplias y las comprobaciones adicionales sean más prácticas para los grupos de investigación. Por tanto, el beneficio potencial descrito por la fuente está ligado a la escala, la repetición y la capacidad de trabajar con datos patológicos que ya existen.

Microsoft estima que generar datos virtuales de inmunofluorescencia multiplex para 1000 diapositivas tomaría aproximadamente dos horas de GPU con GigaTIME-Flash versus siete horas de GPU con GigaTIME en un solo NVIDIA A100, bajo supuestos que incluyen aproximadamente 10 000 mosaicos por diapositiva. Para 100.000 diapositivas, la estimación es de aproximadamente siete días de GPU frente a 30 días de GPU; para un millón de diapositivas, aproximadamente 70 días de GPU frente a 300 días de GPU. Estas son estimaciones modeladas, no mediciones independientes, y la fuente dice que los tiempos de ejecución reales dependen del tamaño de la diapositiva, la resolución del mosaico y el hardware. Las estimaciones ilustran cómo podría aumentar la diferencia en el procesamiento por diapositiva cuando la cohorte sea mucho más grande. Aún deben leerse como cálculos de escenarios vinculados a los supuestos establecidos, en lugar de resultados garantizados para cada implementación.

La importancia práctica también está ligada a la apertura. Una versión de Apache 2.0 puede permitir que grupos académicos y de investigación inspeccionen, adapten y evalúen los modelos sin depender únicamente de un servicio alojado, sujeto a sus propios recursos técnicos y gobernanza. Pero la eficiencia no establece la validez científica. La fuente dice explícitamente que los modelos son lanzamientos de investigación preliminares, han sido probados en un conjunto limitado de puntos de referencia y cohortes, y no están destinados ni validados para diagnóstico, pronóstico, selección de tratamiento u otras decisiones de atención al paciente. El acceso abierto puede ampliar el escrutinio y la experimentación, pero no sustituye la evidencia sobre confiabilidad o utilidad clínica. La implicación más fuerte respaldada es que más grupos podrían examinar las herramientas de investigación y sus límites.

Qué ver a continuación

Las preguntas principales son si la eficiencia y el desempeño reportados se mantienen en más instituciones, escáneres, tipos de tejidos, poblaciones y tareas de investigación. La evaluación independiente y la validación clínica siguen siendo necesarias, y la fuente no establece que los modelos mejoren el diagnóstico, el pronóstico o las decisiones de tratamiento.

La replicación independiente debería probar la compensación entre eficiencia y rendimiento reportada bajo diferentes hardware, tamaños de diapositivas, canales de preprocesamiento y tamaños de lotes. También debería examinar si los modelos siguen siendo confiables en todos los escáneres, instituciones, prácticas de tinción, calidad de los tejidos, tipos de cáncer y poblaciones de pacientes. El propio Microsoft dice que aún se necesita una validación más amplia, por lo que los resultados de las pruebas comparativas informados deben tratarse como afirmaciones de los desarrolladores del modelo en lugar de como evidencia establecida. Estas pruebas ayudarían a separar los resultados que dependen de la configuración informada de los resultados que se generalizan en todos los entornos de investigación. También mostraría si los requisitos de recursos más bajos siguen siendo útiles cuando cambia el flujo de trabajo de procesamiento de datos circundante.

Los investigadores también necesitarán determinar si un mejor aprendizaje de la representación se traduce en hallazgos biológicos útiles. La fuente señala el análisis anterior de GigaTIME de más de 14.000 pacientes con cáncer y más de 1.200 asociaciones estadísticamente significativas entre los estados de las células inmunitarias y los biomarcadores clínicos, pero no muestra que los modelos Flash reproduzcan de forma independiente esas asociaciones ni generen descubrimientos validados. Las asociaciones estadísticas tampoco demuestran por sí solas la causalidad o el beneficio clínico. La pregunta relevante es si los modelos más nuevos respaldan hallazgos que siguen siendo significativos después de un análisis independiente y una validación adicional. La eficiencia puede hacer que esas investigaciones sean más fáciles de repetir, pero no resuelve las cuestiones probatorias que rodean los hallazgos.

La incógnita más importante es el rendimiento clínico posterior. La fuente no proporciona ningún ensayo clínico prospectivo, datos de implementación, análisis de precisión diagnóstica, evidencia de resultados de tratamiento o evaluación de daños de subgrupos para los modelos Flash. Antes de que se pueda considerar el uso clínico, la fuente dice que se requeriría una validación prospectiva y multiinstitucional adicional. Hasta entonces, el impacto más claro respaldado es computacional: hacer que algunos flujos de trabajo de investigación de patología a gran escala sean menos costosos y más repetibles. Cualquier movimiento desde las herramientas de investigación hacia la atención al paciente requeriría evidencia más allá de las comparaciones de eficiencia y puntos de referencia descritas aquí. Por lo tanto, la distinción entre una versión de investigación práctica y un sistema clínico validado sigue siendo fundamental para interpretar el anuncio.

Guías y cuestionarios relacionados