무슨 일이 일어났나요?
Microsoft Research는 대규모 암 연구를 더욱 계산적으로 실용적으로 만들기 위해 설계된 두 가지 개방형 병리학 기반 모델인 GigaPath-Flash와 GigaTIME-Flash를 발표했습니다. 이 모델은 워싱턴 대학교와 프로비던스 대학교에서 개발한 연구 릴리스입니다.
Microsoft 연구에 따르면 GigaPath-Flash와 GigaTIME-Flash는 GigaPath 및 GigaTIME이라는 초기 병리학 모델을 확장합니다. GigaPath는 전체 슬라이드 병리 이미지를 분석하는 반면, GigaTIME은 종양 미세환경을 모델링하고 일상적인 헤마톡실린-및 에오신(H&E) 이미지를 가상 공간 단백질체학 맵으로 변환합니다. 새로운 Flash 모델은 임상 제품을 도입하는 대신 이러한 시스템을 대규모 코호트에 반복적으로 적용하는 데 드는 계산 비용을 해결하기 위한 것입니다. 따라서 그들은 연구 작업흐름의 효율성과 대규모 분석에 대한 접근에 초점을 맞추고 있습니다. 릴리스는 반복 사용에 필요한 컴퓨팅 양을 변경하면서 이전 모델 제품군과의 연결을 유지합니다.
GigaPath-Flash는 2,200만 매개변수 ViT-S 타일 인코더와 2,100만 매개변수 LongNet 슬라이드 인코더를 결합합니다. Microsoft는 소형 타일 인코더가 원래의 10억 매개변수 GigaPath 인코더에서 추출된 반면, 슬라이드 인코더는 이미지 타일 수에 따라 선형적으로 확장되는 확장된 주의를 사용한다고 말합니다. 출처가 인용한 PANDA 전립선 등급 및 EBRAINS 뇌종양 하위 유형 지정 벤치마크에서 Microsoft는 GigaPath-Flash가 원래 GigaPath의 3% 이내에서 약 50배 적은 컴퓨팅을 사용한다고 보고합니다. 즉, 보고된 결과는 인용된 테스트에서 이전 시스템에 가깝게 유지된 성능과 훨씬 작은 모델을 결합합니다. 비교는 모든 병리학 작업에 대한 광범위한 결과가 아니라 Microsoft 평가의 효율성 결과로 제시됩니다.
GigaTIME-Flash는 원래 GigaTIME 컨볼루셔널 백본을 GigaPath-Flash ViT-S 인코더로 대체하고 H&E에서 다중 면역형광 변환을 위해 경량 컨볼루셔널 디코더를 사용합니다. Microsoft는 테스트 세트와 뇌암, 유방암, 결장암 및 폐암을 다루는 4개의 배포되지 않은 코호트 전체에서 원래 모델과 일치하거나 개선되었다고 보고합니다. 소스에 따르면 두 모델 모두 Apache 2.0 라이센스에 따라 출시되며 무게와 코드는 Hugging Face를 통해 제공됩니다. 이를 통해 연구원은 자신의 설정에서 릴리스를 검사하고 평가하는 데 필요한 명시된 구성 요소를 제공합니다. 보고된 배포 외 테스트는 원래 테스트 세트 이상으로 비교를 확대하지만 추가 평가의 필요성을 제거하지는 않습니다.
왜 중요한가요?
이 모델을 통해 연구자들은 더 큰 환자 집단을 분석하고 기존 병리학 데이터를 사용하여 더 많은 실험을 반복할 수 있습니다. 이는 모델이 환자 치료에 대해 검증되지는 않았지만 질병 생물학, 바이오마커, 종양 미세 환경 및 임상 결과에 대한 연구를 확장할 수 있습니다.
전체 슬라이드 병리 이미지는 기가픽셀을 초과할 수 있으며 슬라이드당 수천 개의 타일을 처리해야 할 수도 있습니다. 소식통은 연구자가 수만 명의 환자를 연구하고 특징 추출, 통계 분석, 가설 테스트 및 하위 그룹 검증을 반복할 때 비용이 특히 제한적이라고 주장합니다. 따라서 낮은 컴퓨팅 및 메모리 요구 사항은 기존 분석이 얼마나 빨리 실행되는지뿐만 아니라 실현 가능한 연구 질문에 영향을 미칠 수 있습니다. 보다 경제적으로 반복할 수 있는 작업 흐름은 연구 그룹에 대해 더 큰 비교와 추가 확인을 더 실용적으로 만들 수 있습니다. 따라서 소스에서 설명하는 잠재적 이점은 규모, 반복, 이미 존재하는 병리학 데이터 작업 능력과 관련이 있습니다.
Microsoft는 슬라이드당 약 10,000개의 타일을 포함한다는 가정하에 단일 NVIDIA A100에서 GigaTIME을 사용하면 7개의 GPU 시간이 소요되는 데 반해 1,000개의 슬라이드에 대한 가상 다중 면역형광 데이터를 생성하는 데는 GigaTIME-Flash의 GPU 시간이 약 2시간이 걸릴 것으로 추정합니다. 100,000개 슬라이드의 경우 추정치는 GPU 일수 약 7일 대 GPU 일수 30일입니다. 백만 개의 슬라이드의 경우 약 70일 GPU일과 300일 GPU일입니다. 이는 독립적인 측정이 아닌 모델링된 추정치이며, 소스에 따르면 실제 런타임은 슬라이드 크기, 타일링 해상도 및 하드웨어에 따라 달라집니다. 추정치는 코호트가 훨씬 더 커질 때 슬라이드당 처리의 차이가 어떻게 커질 수 있는지 보여줍니다. 이는 모든 구현에 대해 보장된 결과가 아니라 명시된 가정과 연결된 시나리오 계산으로 읽어야 합니다.
실질적인 중요성은 개방성과도 관련이 있습니다. Apache 2.0 릴리스를 사용하면 학계 및 기타 연구 그룹이 자체 기술 리소스 및 거버넌스에 따라 호스팅 서비스에만 의존하지 않고 모델을 검사, 조정 및 평가할 수 있습니다. 그러나 효율성은 과학적 타당성을 확립하지 못합니다. 소식통은 이 모델이 초기 연구 릴리스이며 제한된 벤치마크 및 코호트 세트에서 테스트되었으며 진단, 예후, 치료 선택 또는 기타 환자 치료 결정을 위해 의도되거나 검증되지 않았다고 명시적으로 밝혔습니다. 오픈 액세스는 조사와 실험을 확대할 수 있지만 신뢰성이나 임상적 유용성에 대한 증거를 대체할 수는 없습니다. 가장 강력하게 뒷받침되는 의미는 더 많은 그룹이 연구 도구와 그 한계를 조사할 수 있다는 것입니다.
대화형 메커니즘: 실제로 작동하는 방식
이 개발의 이면에 있는 기본 기술을 대화식으로 살펴보세요.
crm_get_transaction(id='4092').Which component of an AI application is the machine-learning model itself?
다음에 무엇을 볼 것인가
주요 질문은 보고된 효율성과 성능이 더 많은 기관, 스캐너, 조직 유형, 인구 및 연구 작업에 걸쳐 유지되는지 여부입니다. 독립적인 평가와 임상 검증은 여전히 필요하며, 소스에서는 모델이 진단, 예후 또는 치료 결정을 개선한다는 사실을 입증하지 않습니다.
독립적 복제는 다양한 하드웨어, 슬라이드 크기, 전처리 파이프라인 및 배치 크기에서 보고된 효율성-성능 균형을 테스트해야 합니다. 또한 모델이 스캐너, 기관, 염색 관행, 조직 품질, 암 유형 및 환자 집단 전반에 걸쳐 신뢰할 수 있는지 여부를 조사해야 합니다. Microsoft 자체는 더 광범위한 검증이 여전히 필요하므로 보고된 벤치마크 결과는 확정된 증거가 아닌 모델 개발자의 주장으로 처리되어야 한다고 말합니다. 이러한 테스트는 연구 환경 전반에 걸쳐 일반화되는 결과와 보고된 설정에 따른 결과를 분리하는 데 도움이 됩니다. 또한 주변 데이터 처리 워크플로가 변경될 때 더 낮은 리소스 요구 사항이 여전히 유용한지 여부도 보여줍니다.
연구자들은 또한 더 나은 표현 학습이 유용한 생물학적 발견으로 전환되는지 여부를 결정해야 합니다. 출처는 14,000명 이상의 암 환자에 대한 GigaTIME의 초기 분석과 면역 세포 상태와 임상 바이오마커 사이의 1,200개 이상의 통계적으로 유의미한 연관성을 지적하지만 Flash 모델이 이러한 연관성을 독립적으로 재현하거나 검증된 발견을 생성한다는 것을 보여주지는 않습니다. 마찬가지로 통계적 연관성도 그 자체만으로는 인과관계나 임상적 이점을 입증하지 못합니다. 관련된 질문은 최신 모델이 독립적인 분석과 추가 검증 후에도 의미 있는 결과를 뒷받침하는지 여부입니다. 효율성으로 인해 조사를 더 쉽게 반복할 수 있지만 결과를 둘러싼 증거 문제가 해결되지는 않습니다.
가장 중요한 미지수는 다운스트림 임상 성능입니다. 소스는 Flash 모델에 대한 전향적 임상 시험, 배포 데이터, 진단 정확도 분석, 치료 결과 증거 또는 하위 그룹 피해 평가를 제공하지 않습니다. 임상적 사용을 고려하기 전에, 소식통은 추가적인 다기관 및 전향적 검증이 필요할 것이라고 말했습니다. 그때까지 가장 명확하게 지원되는 영향은 계산입니다. 즉 일부 대규모 병리학 연구 워크플로우를 더 저렴하고 반복 가능하게 만드는 것입니다. 연구 도구에서 환자 치료로의 전환에는 여기에 설명된 효율성 및 벤치마크 비교 이상의 증거가 필요합니다. 따라서 실제 연구 발표와 검증된 임상 시스템 간의 차이는 발표를 해석하는 데 여전히 핵심입니다.