Ne oldu?
Microsoft Research, büyük ölçekli kanser araştırmalarını hesaplama açısından daha pratik hale getirmek için tasarlanan iki açık ağırlıklı patoloji temel modelini, GigaPath-Flash ve GigaTIME-Flash'ı duyurdu. Modeller, Washington Üniversitesi ve Providence ile birlikte geliştirilen araştırma yayınlarıdır.
Microsoft Araştırma, GigaPath-Flash ve GigaTIME-Flash'ın GigaPath ve GigaTIME adı verilen daha önceki patoloji modellerini genişlettiğini söylüyor. GigaPath tüm slayttaki patoloji görüntülerini analiz ederken, GigaTIME tümör mikro ortamlarını modeller ve rutin hematoksilen ve eozin veya H&E görüntülerini sanal uzaysal proteomik haritalara dönüştürür. Yeni Flash modelleri, klinik bir ürün sunmak yerine bu tür sistemlerin büyük gruplara tekrar tekrar uygulanmasının hesaplama maliyetini karşılamayı amaçlıyor. Bu nedenle odak noktaları araştırma iş akışı verimliliği ve geniş ölçekte analize erişimdir. Sürümler, tekrarlanan kullanım için gereken bilgi işlem miktarını değiştirirken önceki model ailesiyle bağlantıyı koruyor.
GigaPath-Flash, 22 milyon parametreli ViT-S karo kodlayıcıyı 21 milyon parametreli LongNet slayt kodlayıcıyla birleştirir. Microsoft, kompakt döşeme kodlayıcının orijinal milyar parametreli GigaPath kodlayıcıdan damıtıldığını, slayt kodlayıcının ise görüntü döşemelerinin sayısıyla doğrusal olarak ölçeklenen genişletilmiş dikkat kullandığını söylüyor. Kaynağın alıntılanan PANDA prostat derecelendirme ve EBRAINS beyin tümörü alt tiplendirme kriterlerinde Microsoft, GigaPath-Flash'ın yaklaşık 50 kat daha az hesaplama kullanırken orijinal GigaPath'in %3'üne yakın olduğunu bildirdi. Başka bir deyişle, bildirilen sonuç, çok daha küçük bir modeli, bahsedilen testlerde önceki sisteme yakın kalan performansla eşleştiriyor. Karşılaştırma, her patoloji görevine ilişkin daha geniş bir bulgu olarak değil, Microsoft'nin değerlendirmesinin bir verimlilik sonucu olarak sunulmaktadır.
GigaTIME-Flash, orijinal GigaTIME evrişimli omurgasını GigaPath-Flash ViT-S kodlayıcıyla değiştirir ve H&E'den multipleks-immünofloresan dönüşümü için hafif bir evrişimli kod çözücü kullanır. Microsoft, test seti ve beyin, meme, kolon ve akciğer kanserlerini kapsayan dört dağıtım dışı kohort genelinde orijinal modelle eşleştiğini veya geliştirildiğini bildirdi. Kaynağa göre her iki model de Apache 2.0 lisansı altında Hugging Face aracılığıyla sunulan ağırlıklar ve kodlarla piyasaya sürüldü. Bu, araştırmacılara, sürümleri kendi ortamlarında incelemek ve değerlendirmek için gerekli olan belirtilen bileşenleri sağlar. Bildirilen dağıtım dışı testler, karşılaştırmayı orijinal test setinin ötesine genişletir, ancak daha fazla değerlendirme ihtiyacını ortadan kaldırmaz.
Kaynak ayrıntıları: microsoft.com ↗
Neden önemli?
Modeller, araştırmacıların daha büyük hasta gruplarını analiz etmesine ve mevcut patoloji verilerini kullanarak daha fazla deneyi tekrarlamasına olanak tanıyabilir. Bu, modeller hasta bakımı için doğrulanmamış olsa da, hastalık biyolojisi, biyobelirteçler, tümör mikro ortamları ve klinik sonuçlara ilişkin çalışmaları genişletebilir.
Tam slayt patoloji görüntüleri bir gigapikseli aşabilir ve slayt başına binlerce karenin işlenmesini gerektirebilir. Kaynak, araştırmacıların on binlerce hasta üzerinde çalışıp özellik çıkarımı, istatistiksel analiz, hipotez testi ve alt grup doğrulamasını tekrarlaması durumunda maliyetin özellikle kısıtlayıcı hale geldiğini ileri sürüyor. Bu nedenle daha düşük bilgi işlem ve bellek gereksinimleri, yalnızca mevcut bir analizin ne kadar hızlı yürütüldüğünü değil, hangi araştırma sorularının uygulanabilir olduğunu da etkileyebilir. Daha ekonomik bir şekilde tekrarlanabilen bir iş akışı, daha büyük karşılaştırmaları ve ek kontrolleri araştırma grupları için daha pratik hale getirebilir. Kaynağın tanımladığı potansiyel fayda bu nedenle ölçeğe, tekrara ve halihazırda var olan patoloji verileriyle çalışma becerisine bağlıdır.
Microsoft, slayt başına yaklaşık 10.000 döşeme dahil varsayımlar altında, 1.000 slayt için sanal multipleks-immünofloresan verileri oluşturmanın GigaTIME-Flash ile yaklaşık iki GPU saati, buna karşın tek bir NVIDIA A100 üzerinde GigaTIME ile yedi GPU saati süreceğini tahmin ediyor. 100.000 slayt için tahmin yaklaşık yedi GPU gününe karşılık 30 GPU günüdür; bir milyon slayt için yaklaşık 70 GPU gününe karşılık 300 GPU günü. Bunlar modellenmiş tahminlerdir, bağımsız ölçümler değildir ve kaynak, gerçek çalışma sürelerinin slayt boyutuna, döşeme çözünürlüğüne ve donanıma bağlı olduğunu söylüyor. Tahminler, kohort çok daha büyüdüğünde slayt başına işlemedeki farkın nasıl büyüyebileceğini göstermektedir. Bunlar, her uygulama için garanti edilen sonuçlar olarak değil, belirtilen varsayımlara bağlı senaryo hesaplamaları olarak okunmalıdır.
Pratik önem aynı zamanda açıklığa da bağlıdır. Apache 2.0 sürümü, akademik ve diğer araştırma gruplarının, kendi teknik kaynaklarına ve yönetimlerine tabi olarak, yalnızca barındırılan bir hizmete dayanmadan modelleri incelemesine, uyarlamasına ve değerlendirmesine olanak tanıyabilir. Ancak verimlilik bilimsel geçerliliği sağlamaz. Kaynak, modellerin erken araştırma sürümleri olduğunu, sınırlı sayıda kıyaslama ve grup üzerinde test edildiğini ve teşhis, prognoz, tedavi seçimi veya diğer hasta bakımı kararları için tasarlanmadığını veya doğrulanmadığını açıkça söylüyor. Açık erişim, inceleme ve deneyleri genişletebilir ancak güvenilirlik veya klinik yararlılığa ilişkin kanıtların yerini almaz. Desteklenen en güçlü çıkarım, daha fazla grubun araştırma araçlarını ve bunların sınırlarını inceleyebileceğidir.
İnteraktif Mekanizma: Aslında Nasıl Çalışıyor?
Bu gelişmenin arkasında yatan teknolojiyi etkileşimli olarak keşfedin.
crm_get_transaction(id='4092').Which component of an AI application is the machine-learning model itself?
Bundan sonra ne izlenecek?
Ana sorular, bildirilen verimlilik ve performansın daha fazla kurum, tarayıcı, doku türü, popülasyon ve araştırma görevi için geçerli olup olmadığıdır. Bağımsız değerlendirme ve klinik doğrulama hala gerekli ve kaynak, modellerin tanıyı, prognozu veya tedavi kararlarını iyileştirdiğini kanıtlamıyor.
Bağımsız çoğaltma, bildirilen verimlilik-performans dengesini farklı donanım, slayt boyutları, ön işleme ardışık düzenleri ve toplu iş boyutları altında test etmelidir. Ayrıca modellerin tarayıcılar, kurumlar, boyama uygulamaları, doku kalitesi, kanser türleri ve hasta popülasyonları genelinde güvenilir kalıp kalmadığını da incelemelidir. Microsoft'nin kendisi, daha geniş doğrulamanın hala gerekli olduğunu, bu nedenle rapor edilen kıyaslama sonuçlarının yerleşik kanıtlardan ziyade model geliştiricilerin iddiaları olarak değerlendirilmesi gerektiğini söylüyor. Bu tür testler, rapor edilen düzene bağlı sonuçları, araştırma ortamlarında genellenen sonuçlardan ayırmaya yardımcı olacaktır. Ayrıca, çevredeki veri işleme iş akışı değiştiğinde daha düşük kaynak gereksinimlerinin yararlı olup olmayacağını da gösterir.
Araştırmacıların ayrıca daha iyi temsili öğrenmenin yararlı biyolojik bulgulara dönüşüp dönüşmeyeceğini belirlemeleri gerekecek. Kaynak, GigaTIME'ın 14.000'den fazla kanser hastasını içeren daha önceki analizine ve bağışıklık hücresi durumları ile klinik biyobelirteçler arasında 1.200'den fazla istatistiksel olarak anlamlı ilişkiye işaret ediyor, ancak Flash modellerinin bağımsız olarak bu ilişkileri yeniden ürettiğini veya doğrulanmış keşifler ürettiğini göstermiyor. İstatistiksel ilişkiler de aynı şekilde kendi başlarına nedensellik veya klinik fayda göstermez. İlgili soru, yeni modellerin bağımsız analiz ve ek doğrulama sonrasında anlamlı kalan bulguları destekleyip desteklemediğidir. Verimlilik bu araştırmaların tekrarlanmasını kolaylaştırabilir ancak bulguları çevreleyen kanıta dayalı soruları çözmez.
En önemli bilinmeyen, sonraki klinik performanstır. Kaynak, Flash modelleri için ileriye dönük klinik deneme, dağıtım verileri, tanısal doğruluk analizi, tedavi sonucu kanıtları veya alt grup zararlarının değerlendirilmesini sağlamamaktadır. Kaynak, klinik kullanımın değerlendirilmesinden önce ek çok-kurumlu ve ileriye dönük doğrulamanın gerekli olacağını söylüyor. O zamana kadar desteklenen en açık etki hesaplamaya dayalıdır: bazı büyük ölçekli patoloji araştırma iş akışlarının daha ucuz ve daha tekrarlanabilir hale getirilmesi. Araştırma araçlarından hasta bakımına doğru herhangi bir hareket, burada açıklanan verimlilik ve kıyaslama karşılaştırmalarının ötesinde kanıtlar gerektirecektir. Bu nedenle, pratik bir araştırma sürümü ile onaylanmış bir klinik sistem arasındaki ayrım, duyurunun yorumlanmasında merkezi olmaya devam etmektedir.