Microsoft merilis model AI yang lebih efisien untuk penelitian patologi kanker skala besar

Apa yang terjadi

Microsoft Research mengumumkan dua model landasan patologi open-weight, GigaPath-Flash dan GigaTIME-Flash, yang dirancang untuk menjadikan penelitian kanker skala besar lebih praktis secara komputasi. Model tersebut merupakan rilis penelitian yang dikembangkan bersama Universitas Washington dan Providence.

Microsoft Penelitian mengatakan GigaPath-Flash dan GigaTIME-Flash memperluas model patologi sebelumnya yang disebut GigaPath dan GigaTIME. GigaPath menganalisis gambar patologi seluruh slide, sementara GigaTIME memodelkan lingkungan mikro tumor dan menerjemahkan gambar rutin hematoxylin-and-eosin, atau H&E, ke dalam peta proteomik spasial virtual. Model Flash baru ini dimaksudkan untuk mengatasi biaya komputasi akibat penerapan berulang kali sistem tersebut pada kelompok besar, dibandingkan memperkenalkan produk klinis. Oleh karena itu, fokus mereka adalah pada efisiensi alur kerja penelitian dan akses terhadap analisis dalam skala besar. Rilisan ini mempertahankan koneksi ke keluarga model sebelumnya sekaligus mengubah jumlah komputasi yang diperlukan untuk penggunaan berulang.

GigaPath-Flash menggabungkan encoder ubin ViT-S 22 juta parameter dengan encoder slide LongNet 21 juta parameter. Microsoft mengatakan bahwa encoder ubin kompak merupakan hasil penyulingan dari encoder GigaPath dengan miliar parameter asli, sedangkan encoder slide menggunakan perhatian yang diperluas yang menskalakan secara linear dengan jumlah ubin gambar. Berdasarkan sumber yang dikutip dari sumber tersebut, yaitu PANDA prostat-grading dan EBRAINS brain-tumor-subtyping benchmarks, Microsoft melaporkan bahwa GigaPath-Flash hadir dalam rentang 3% dari GigaPath asli dan menggunakan komputasi sekitar 50 kali lebih sedikit. Dengan kata lain, hasil yang dilaporkan memasangkan model yang jauh lebih kecil dengan kinerja yang tetap mendekati sistem sebelumnya pada pengujian tersebut. Perbandingan tersebut disajikan sebagai hasil efisiensi dari evaluasi Microsoft, bukan sebagai temuan yang lebih luas tentang setiap tugas patologi.

GigaTIME-Flash menggantikan tulang punggung konvolusional GigaTIME asli dengan encoder GigaPath-Flash ViT-S dan menggunakan decoder konvolusional ringan untuk terjemahan H&E-ke-multipleks-imunofluoresensi. Microsoft melaporkan bahwa mereka mencocokkan atau meningkatkan model asli di seluruh set pengujian dan empat kelompok di luar distribusi yang mencakup kanker otak, payudara, usus besar, dan paru-paru. Kedua model tersebut dirilis di bawah lisensi Apache 2.0, dengan bobot dan kode tersedia melalui Hugging Face, menurut sumber tersebut. Hal ini memberi para peneliti komponen-komponen yang diperlukan untuk memeriksa dan mengevaluasi pelepasan di lingkungan mereka sendiri. Pengujian di luar distribusi yang dilaporkan memperluas perbandingan di luar rangkaian pengujian asli, namun tidak menghilangkan kebutuhan untuk evaluasi lebih lanjut.

Detail sumber: microsoft.com ↗

Mengapa itu penting

Model ini memungkinkan peneliti menganalisis kelompok pasien yang lebih besar dan mengulangi lebih banyak eksperimen menggunakan data patologi yang ada. Hal ini dapat memperluas studi biologi penyakit, biomarker, lingkungan mikro tumor, dan hasil klinis, meskipun model tersebut tidak divalidasi untuk perawatan pasien.

Gambar patologi keseluruhan slide dapat melebihi satu gigapiksel dan mungkin memerlukan pemrosesan ribuan ubin per slide. Sumber tersebut berpendapat bahwa biaya menjadi sangat terbatas ketika peneliti mempelajari puluhan ribu pasien dan mengulangi ekstraksi fitur, analisis statistik, pengujian hipotesis, dan validasi subkelompok. Oleh karena itu, persyaratan komputasi dan memori yang lebih rendah dapat memengaruhi pertanyaan penelitian mana yang layak, bukan hanya seberapa cepat analisis yang ada dijalankan. Alur kerja yang dapat diulang dengan lebih ekonomis dapat membuat perbandingan yang lebih besar dan pemeriksaan tambahan menjadi lebih praktis untuk kelompok penelitian. Manfaat potensial yang dijelaskan oleh sumber terkait dengan skala, pengulangan, dan kemampuan untuk bekerja dengan data patologi yang sudah ada.

Microsoft memperkirakan bahwa menghasilkan data imunofluoresensi multipleks virtual untuk 1.000 slide akan memakan waktu sekitar dua jam GPU dengan GigaTIME-Flash dibandingkan tujuh jam GPU dengan GigaTIME pada satu NVIDIA A100, dengan asumsi termasuk sekitar 10.000 ubin per slide. Untuk 100.000 slide, perkiraannya adalah sekitar tujuh hari GPU versus 30 hari GPU; untuk satu juta slide, sekitar 70 hari GPU versus 300 hari GPU. Ini adalah perkiraan model, bukan pengukuran independen, dan sumber mengatakan waktu proses sebenarnya bergantung pada ukuran slide, resolusi ubin, dan perangkat keras. Perkiraan tersebut menggambarkan bagaimana perbedaan dalam pemrosesan per slide dapat meningkat ketika kelompok menjadi jauh lebih besar. Hal ini tetap harus dibaca sebagai kalkulasi skenario yang dikaitkan dengan asumsi-asumsi yang dinyatakan, dan bukan sebagai hasil yang dijamin untuk setiap implementasi.

Kepentingan praktis juga terkait dengan keterbukaan. Rilis Apache 2.0 memungkinkan akademisi dan kelompok penelitian lainnya memeriksa, mengadaptasi, dan mengevaluasi model tanpa hanya bergantung pada layanan yang dihosting, tergantung pada sumber daya teknis dan tata kelola mereka sendiri. Namun efisiensi tidak menjamin validitas ilmiah. Sumber tersebut secara eksplisit mengatakan bahwa model tersebut merupakan hasil penelitian awal, telah diuji pada serangkaian tolok ukur dan kohort yang terbatas, dan tidak dimaksudkan atau divalidasi untuk diagnosis, prognosis, pemilihan pengobatan, atau keputusan perawatan pasien lainnya. Akses terbuka dapat memperluas pengawasan dan eksperimen, namun tidak menggantikan bukti mengenai keandalan atau kegunaan klinis. Implikasi terkuat yang didukung adalah bahwa lebih banyak kelompok mungkin dapat memeriksa alat penelitian dan keterbatasannya.

Apa yang harus ditonton selanjutnya

Pertanyaan utamanya adalah apakah efisiensi dan kinerja yang dilaporkan berlaku di lebih banyak institusi, pemindai, jenis jaringan, populasi, dan tugas penelitian. Evaluasi independen dan validasi klinis tetap diperlukan, dan sumber tidak menetapkan bahwa model tersebut meningkatkan diagnosis, prognosis, atau keputusan pengobatan.

Replikasi independen harus menguji tradeoff efisiensi-kinerja yang dilaporkan pada perangkat keras, ukuran slide, pipeline pra-pemrosesan, dan ukuran batch yang berbeda. Hal ini juga harus memeriksa apakah model tersebut tetap dapat diandalkan di seluruh pemindai, institusi, praktik pewarnaan, kualitas jaringan, jenis kanker, dan populasi pasien. Microsoft sendiri mengatakan validasi yang lebih luas masih diperlukan, sehingga hasil benchmark yang dilaporkan harus diperlakukan sebagai klaim dari pengembang model dan bukan bukti yang sudah pasti. Pengujian semacam itu akan membantu memisahkan hasil yang bergantung pada pengaturan yang dilaporkan dari hasil yang digeneralisasikan di seluruh lingkungan penelitian. Hal ini juga akan menunjukkan apakah kebutuhan sumber daya yang lebih rendah tetap berguna ketika alur kerja pemrosesan data di sekitarnya berubah.

Para peneliti juga perlu menentukan apakah pembelajaran representasi yang lebih baik menghasilkan temuan biologis yang bermanfaat. Sumber tersebut menunjuk pada analisis GigaTIME sebelumnya terhadap lebih dari 14.000 pasien kanker dan lebih dari 1.200 hubungan yang signifikan secara statistik antara keadaan sel imun dan biomarker klinis, namun analisis tersebut tidak menunjukkan bahwa model Flash secara independen mereproduksi hubungan tersebut atau menghasilkan penemuan yang tervalidasi. Asosiasi statistik juga tidak dengan sendirinya menunjukkan sebab akibat atau manfaat klinis. Pertanyaan yang relevan adalah apakah model-model baru mendukung temuan-temuan yang tetap bermakna setelah analisis independen dan validasi tambahan. Efisiensi mungkin membuat investigasi tersebut lebih mudah untuk diulang, namun hal ini tidak menyelesaikan pertanyaan pembuktian seputar temuan tersebut.

Hal yang paling tidak diketahui adalah kinerja klinis hilir. Sumber tersebut tidak memberikan uji klinis prospektif, data penerapan, analisis akurasi diagnostik, bukti hasil pengobatan, atau penilaian dampak buruk subkelompok pada model Flash. Sebelum penggunaan klinis dapat dipertimbangkan, sumber tersebut mengatakan diperlukan validasi multi-lembaga dan prospektif tambahan. Sampai saat itu, dampak yang didukung paling jelas adalah komputasi: membuat alur kerja penelitian patologi berskala besar menjadi lebih murah dan lebih dapat diulang. Peralihan apa pun dari perangkat penelitian menuju perawatan pasien memerlukan bukti di luar perbandingan efisiensi dan tolok ukur yang dijelaskan di sini. Oleh karena itu, perbedaan antara rilis penelitian praktis dan sistem klinis yang tervalidasi tetap penting dalam menafsirkan pengumuman tersebut.

Panduan & kuis terkait