Microsoft بڑے پیمانے پر کینسر پیتھالوجی ریسرچ کے لیے زیادہ موثر AI ماڈل جاری کرتا ہے۔

کیا ہوا؟

Microsoft ریسرچ نے دو اوپن ویٹ پیتھالوجی فاؤنڈیشن ماڈلز کا اعلان کیا، GigaPath-Flash اور GigaTIME-Flash، جو بڑے پیمانے پر کینسر کی تحقیق کو کمپیوٹیشنل طور پر زیادہ عملی بنانے کے لیے ڈیزائن کیے گئے ہیں۔ یہ ماڈل ریسرچ ریلیز ہیں جو یونیورسٹی آف واشنگٹن اور پروویڈنس کے ساتھ تیار کیے گئے ہیں۔

Microsoft ریسرچ کا کہنا ہے کہ GigaPath-Flash اور GigaTIME-Flash پہلے کے پیتھالوجی ماڈلز کو بڑھاتے ہیں جنہیں GigaPath اور GigaTIME کہا جاتا ہے۔ GigaPath پوری سلائیڈ پیتھالوجی امیجز کا تجزیہ کرتا ہے، جب کہ GigaTIME ٹیومر مائیکرو ماحولیات کو ماڈل کرتا ہے اور روٹین ہیماتوکسیلین اور ای اوسین، یا H&E، تصاویر کو ورچوئل اسپیشل پروٹومکس نقشوں میں ترجمہ کرتا ہے۔ نئے فلیش ماڈلز کا مقصد کلینکل پروڈکٹ متعارف کرانے کے بجائے اس طرح کے سسٹمز کو بڑے گروپس پر بار بار لاگو کرنے کی کمپیوٹیشنل لاگت کو حل کرنا ہے۔ لہذا ان کی توجہ تحقیقی کام کے بہاؤ کی کارکردگی اور پیمانے پر تجزیہ تک رسائی پر ہے۔ ریلیزز پہلے کے ماڈل فیملی سے تعلق برقرار رکھتی ہیں جبکہ یہ تبدیل کرتی ہیں کہ بار بار استعمال کے لیے کتنی کمپیوٹنگ کی ضرورت ہے۔

GigaPath-Flash ایک 22-ملین پیرامیٹر ViT-S ٹائل انکوڈر کو 21-ملین پیرامیٹر لانگ نیٹ سلائیڈ انکوڈر کے ساتھ جوڑتا ہے۔ Microsoft کا کہنا ہے کہ کمپیکٹ ٹائل انکوڈر کو اصل بلین پیرامیٹر GigaPath انکوڈر سے ڈسٹل کیا گیا تھا، جبکہ سلائیڈ انکوڈر متنوع توجہ کا استعمال کرتا ہے جو امیج ٹائلز کی تعداد کے ساتھ لکیری طور پر پیمانہ ہوتا ہے۔ ماخذ کے حوالہ کردہ PANDA پروسٹیٹ گریڈنگ اور EBRAINS برین ٹیومر-سب ٹائپنگ بینچ مارکس پر، Microsoft رپورٹ کرتا ہے کہ تقریباً 50 گنا کم کمپیوٹ استعمال کرتے ہوئے GigaPath-Flash اصل GigaPath کے 3% کے اندر آیا ہے۔ دوسرے لفظوں میں، رپورٹ شدہ نتائج ایک بہت چھوٹے ماڈل کو کارکردگی کے ساتھ جوڑتے ہیں جو ان حوالہ شدہ ٹیسٹوں پر پہلے کے سسٹم کے قریب رہے۔ موازنہ Microsoft کی تشخیص سے کارکردگی کے نتیجے کے طور پر پیش کیا گیا ہے، ہر پیتھالوجی کام کے بارے میں وسیع تر تلاش کے طور پر نہیں۔

GigaTIME-Flash اصل GigaTIME convolutional backbone کو GigaPath-Flash ViT-S انکوڈر سے بدل دیتا ہے اور H&E-to-multiplex-immunofluorescence ترجمہ کے لیے ہلکا پھلکا convolutional decoder استعمال کرتا ہے۔ Microsoft رپورٹ کرتا ہے کہ اس نے اپنے ٹیسٹ سیٹ اور دماغ، چھاتی، بڑی آنت، اور پھیپھڑوں کے کینسر کو ڈھانپنے والے چار غیر تقسیم شدہ گروہوں میں اصل ماڈل سے مماثل یا بہتر کیا ہے۔ ذرائع کے مطابق، دونوں ماڈلز اپاچی 2.0 لائسنس کے تحت جاری کیے گئے ہیں، وزن اور کوڈ Hugging Face کے ذریعے دستیاب ہیں۔ یہ محققین کو بیان کردہ اجزاء فراہم کرتا ہے جو ان کی اپنی ترتیبات میں ریلیز کا معائنہ اور جائزہ لینے کے لیے درکار ہیں۔ رپورٹ کردہ آؤٹ آف ڈسٹری بیوشن ٹیسٹنگ موازنہ کو اصل ٹیسٹ سیٹ سے آگے بڑھاتا ہے، لیکن یہ مزید تشخیص کی ضرورت کو دور نہیں کرتا ہے۔

ماخذ کی تفصیلات: microsoft.com ↗

یہ کیوں اہمیت رکھتا ہے۔

ماڈلز محققین کو مریضوں کے بڑے گروہوں کا تجزیہ کرنے اور موجودہ پیتھالوجی ڈیٹا کا استعمال کرتے ہوئے مزید تجربات کو دہرانے کی اجازت دے سکتے ہیں۔ یہ بیماری کی حیاتیات، بائیو مارکر، ٹیومر مائکرو ماحولیات، اور طبی نتائج کے مطالعے کو بڑھا سکتا ہے، حالانکہ ماڈلز مریضوں کی دیکھ بھال کے لیے درست نہیں ہیں۔

پوری سلائیڈ پیتھالوجی امیجز ایک گیگا پکسل سے زیادہ ہو سکتی ہیں اور اس کے لیے فی سلائیڈ پر ہزاروں ٹائلوں کی پروسیسنگ کی ضرورت پڑ سکتی ہے۔ ماخذ کا استدلال ہے کہ لاگت خاص طور پر اس وقت محدود ہوجاتی ہے جب محقق دسیوں ہزار مریضوں کا مطالعہ کرتے ہیں اور فیچر نکالنے، شماریاتی تجزیہ، مفروضے کی جانچ، اور ذیلی گروپ کی توثیق کو دہراتے ہیں۔ لہذا کم حساب اور میموری کی ضروریات اس بات پر اثر انداز ہوسکتی ہیں کہ کون سے تحقیقی سوالات قابل عمل ہیں، نہ کہ صرف ایک موجودہ تجزیہ کتنی جلدی چلتا ہے۔ ایک ورک فلو جسے زیادہ اقتصادی طور پر دہرایا جا سکتا ہے وہ تحقیقی گروپوں کے لیے بڑے موازنہ اور اضافی جانچ کو زیادہ عملی بنا سکتا ہے۔ ذریعہ کے ذریعہ بیان کردہ ممکنہ فائدہ اس طرح پیمانے، تکرار، اور پہلے سے موجود پیتھالوجی ڈیٹا کے ساتھ کام کرنے کی صلاحیت سے منسلک ہے۔

Microsoft کا تخمینہ ہے کہ 1,000 سلائیڈوں کے لیے ورچوئل ملٹی پلیکس امیونو فلوروسینس ڈیٹا تیار کرنے میں GigaTIME-Flash کے ساتھ تقریباً دو GPU-گھنٹے لگیں گے جبکہ ایک NVIDIA A100 پر GigaTIME کے ساتھ سات GPU-گھنٹے لگیں گے۔ 100,000 سلائیڈز کے لیے، تخمینہ لگ بھگ سات GPU- دن بمقابلہ 30 GPU- دن ہے۔ ایک ملین سلائیڈز کے لیے، تقریباً 70 GPU- دن بمقابلہ 300 GPU- دن۔ یہ نمونے کے اندازے ہیں، آزاد پیمائش نہیں، اور ماخذ کا کہنا ہے کہ اصل رن ٹائمز سلائیڈ سائز، ٹائلنگ ریزولوشن اور ہارڈ ویئر پر منحصر ہیں۔ تخمینے بتاتے ہیں کہ جب کوہورٹ بہت بڑا ہو جاتا ہے تو فی سلائیڈ پروسیسنگ میں فرق کیسے بڑھ سکتا ہے۔ انہیں اب بھی بیان کردہ مفروضوں سے منسلک منظرنامے کے حساب کتاب کے طور پر پڑھا جانا چاہیے، بجائے اس کے کہ ہر نفاذ کے لیے یقینی نتائج کے طور پر۔

عملی اہمیت بھی کھلے پن سے جڑی ہوئی ہے۔ Apache 2.0 ریلیز اکیڈمک اور دیگر ریسرچ گروپس کو ان کے اپنے تکنیکی وسائل اور گورننس کے ساتھ مشروط کسی میزبان سروس پر مکمل انحصار کیے بغیر ماڈلز کا معائنہ، موافقت اور جائزہ لینے کی اجازت دے سکتی ہے۔ لیکن کارکردگی سائنسی اعتبار کو قائم نہیں کرتی ہے۔ ماخذ واضح طور پر کہتا ہے کہ ماڈلز ابتدائی تحقیقی ریلیز ہیں، ان کا تجربہ محدود معیارات اور گروہوں پر کیا گیا ہے، اور تشخیص، تشخیص، علاج کے انتخاب، یا مریض کی دیکھ بھال کے دیگر فیصلوں کے لیے ان کا مقصد یا توثیق نہیں کیا گیا ہے۔ کھلی رسائی جانچ اور تجربات کو وسیع کر سکتی ہے، لیکن یہ قابل اعتماد یا طبی افادیت کے بارے میں ثبوت کا متبادل نہیں ہے۔ سب سے مضبوط تائید شدہ مضمرات یہ ہے کہ مزید گروہ تحقیقی ٹولز اور ان کی حدود کا جائزہ لینے کے قابل ہو سکتے ہیں۔

آگے کیا دیکھنا ہے۔

اہم سوالات یہ ہیں کہ کیا رپورٹ کردہ کارکردگی اور کارکردگی مزید اداروں، سکینرز، ٹشو کی اقسام، آبادی اور تحقیقی کاموں میں موجود ہے۔ آزاد تشخیص اور کلینیکل توثیق ضروری ہے، اور ذریعہ یہ قائم نہیں کرتا ہے کہ ماڈل تشخیص، تشخیص، یا علاج کے فیصلوں کو بہتر بناتے ہیں.

آزاد نقل کو مختلف ہارڈ ویئر، سلائیڈ سائز، پری پروسیسنگ پائپ لائنز، اور بیچ سائز کے تحت رپورٹ کردہ کارکردگی کی کارکردگی کی جانچ کرنی چاہیے۔ اس کو یہ بھی جانچنا چاہئے کہ آیا ماڈل سکینرز، اداروں، داغ لگانے کے طریقوں، بافتوں کے معیار، کینسر کی اقسام اور مریضوں کی آبادی میں قابل اعتماد رہتے ہیں۔ Microsoft خود کہتا ہے کہ وسیع تر توثیق کی اب بھی ضرورت ہے، اس لیے رپورٹ شدہ بینچ مارک کے نتائج کو طے شدہ ثبوت کے بجائے ماڈل ڈویلپرز کے دعووں کے طور پر سمجھا جانا چاہیے۔ اس طرح کی جانچ سے نتائج کو الگ کرنے میں مدد ملے گی جو تمام تحقیقی ماحول کو عام کرنے والے نتائج سے رپورٹ شدہ سیٹ اپ پر منحصر ہوتے ہیں۔ یہ یہ بھی دکھائے گا کہ آیا آس پاس کے ڈیٹا پروسیسنگ ورک فلو میں تبدیلی آنے پر کم وسائل کی ضروریات کارآمد رہتی ہیں۔

محققین کو یہ تعین کرنے کی بھی ضرورت ہوگی کہ آیا بہتر نمائندگی سیکھنے کا ترجمہ مفید حیاتیاتی نتائج میں ہوتا ہے۔ ماخذ گیگا ٹائم کے 14,000 سے زیادہ کینسر کے مریضوں اور 1,200 سے زیادہ اعدادوشمار کے لحاظ سے اہم انجمنوں کی طرف اشارہ کرتا ہے جو مدافعتی خلیوں کی ریاستوں اور کلینیکل بائیو مارکر کے درمیان ہیں، لیکن یہ ظاہر نہیں کرتا ہے کہ فلیش ماڈلز ان انجمنوں کو آزادانہ طور پر دوبارہ پیش کرتے ہیں یا تصدیق شدہ دریافتیں پیدا کرتے ہیں۔ اسی طرح شماریاتی انجمنیں خود وجہ یا طبی فائدہ کا مظاہرہ نہیں کرتی ہیں۔ متعلقہ سوال یہ ہے کہ کیا نئے ماڈل ان نتائج کی حمایت کرتے ہیں جو آزادانہ تجزیہ اور اضافی توثیق کے بعد بامعنی رہتے ہیں۔ کارکردگی ان تحقیقات کو دہرانے میں آسان بنا سکتی ہے، لیکن یہ نتائج کے ارد گرد موجود واضح سوالات کو حل نہیں کرتی ہے۔

سب سے زیادہ نتیجہ خیز نامعلوم بہاو کلینیکل کارکردگی ہے۔ ماخذ کوئی ممکنہ کلینیکل ٹرائل، تعیناتی ڈیٹا، تشخیصی درستگی کا تجزیہ، علاج کے نتائج کے ثبوت، یا فلیش ماڈلز کے لیے ذیلی گروپ کے نقصانات کا اندازہ فراہم نہیں کرتا ہے۔ طبی استعمال پر غور کرنے سے پہلے، ذریعہ کا کہنا ہے کہ اضافی کثیر ادارہ جاتی اور ممکنہ توثیق کی ضرورت ہوگی۔ اس وقت تک، سب سے واضح تعاون یافتہ اثر کمپیوٹیشنل ہے: کچھ بڑے پیمانے پر پیتھالوجی ریسرچ ورک فلو کو کم مہنگا اور زیادہ قابل تکرار بنانا۔ مریضوں کی دیکھ بھال کی طرف تحقیقی ٹولنگ سے کسی بھی تحریک کے لیے یہاں بیان کردہ کارکردگی اور بینچ مارک موازنہ سے زیادہ ثبوت کی ضرورت ہوگی۔ ایک عملی تحقیقی ریلیز اور تصدیق شدہ طبی نظام کے درمیان فرق اس لیے اعلان کی تشریح میں مرکزی حیثیت رکھتا ہے۔

متعلقہ گائیڈز اور کوئزز