Towards Comprehensive Cellular Characterisation of H&E slides
Das Paper stellt HistoPLUS vor, ein hocheffizientes und generalisierbares Deep-Learning-Modell, das auf einem neuartigen Pan-Cancer-Datensatz trainiert wurde und bestehende State-of-the-Art-Methoden bei der Detektion und Klassifizierung diverser Zelltypen innerhalb der Tumormikroumgebung, einschließlich unterrepräsentierter und seltener Zellen, signifikant übertrifft, während es gleichzeitig eine verbesserte domänenübergreifende Transferierbarkeit bietet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Detektiv, der versucht, ein Verbrechen aufzuklären, aber Ihr Tatort ist kein unordentliches Zimmer, sondern ein winziges Stück menschlichen Gewebes. In der Welt der Medizin verwenden Ärzte eine spezielle Färbung namens H&E (denken Sie an einen kontrastreichen Schwarz-Weiß-Filter), um diese Gewebeschnitte in farbige Karten zu verwandeln. Auf diesen Karten sehen verschiedene Zellen wie unterschiedliche Formen und Schattierungen aus. Um zu verstehen, was im Inneren eines Patienten vorgeht – etwa ob ein Tumor zurückkämpft oder aufgibt –, müssen Ärzte jede einzelne Zelle in diesem winzigen Ausschnitt zählen und identifizieren. Es ist, als versuche man, bestimmte Arten von Ameisen in einem riesigen, überfüllten Ameisenhaufen zu finden, nur indem man ein unscharfes Foto betrachtet.
Lange Zeit waren Computer schlecht darin. Sie sind gut darin, „etwas zu entdecken, das wie eine Zelle aussieht“, aber sie haben Schwierigkeiten, zwischen einer Soldaten-Zelle (Immunzelle), einer Bauarbeiter-Zelle (Stromazelle) oder einer Bösewicht-Zelle (Krebszelle) zu unterscheiden, besonders wenn die Zellen zusammengedrückt sind oder sich sehr ähnlich sehen. Bestehende Computerprogramme sind wie Detektive, die nur die häufigsten Ameisen erkennen können; wenn sie eine seltene oder seltsam aussehende Ameise sehen, werden sie verwirrt oder raten einfach. Dies ist ein großes Problem, denn die seltenen Ameisen halten oft die wichtigsten Hinweise darüber bereit, wie eine Krankheit verlaufen wird. Wissenschaftler haben versucht, bessere „Super-Detektive“ (KI-Modelle) zu bauen, um diese Karten zu lesen, aber sie steckten fest, weil sie nicht genügend Trainingsdaten mit klaren Beschriftungen für alle verschiedenen Zelltypen hatten, insbesondere für die seltenen.
Hier kommt ein neues Forscherteam mit einem frischen Ansatz ins Spiel. Sie haben ein brandneues, super-intelligentes KI-Modell namens HistoPLUS entwickelt. Denken Sie an HistoPLUS als einen Detektiv, der nicht nur aus ein paar Lehrbüchern gelernt hat, sondern Jahre damit verbracht hat, eine massive, sorgfältig kuratierte Bibliothek von 108.722 einzelnen Zell-„Schnappschüssen“ aus sechs verschiedenen Arten von Krebs zu studieren. Im Gegensatz zu früheren Modellen, die mit generischen Daten trainiert wurden, nutzte dieses Team eine clevere „Active Learning“-Strategie. Stellen Sie sich einen Lehrer vor, der bemerkt, dass ein Schüler schlecht darin ist, rote Käfer zu identifizieren, und anstatt ihm 100 blaue Schmetterlinge zu zeigen, sucht er gezielt 50 rote Käfer heraus und zeigt sie ihm, bis er sie beherrscht. Das Team hat dies mit seltenen Zelltypen gemacht und so sichergestellt, dass ihre KI lernte, die kniffligen, unteruntersuchten Zellen zu entdecken, die andere übersah.
Die Ergebnisse sind beeindruckend. Als sie HistoPLUS auf brandneuen, bisher ungesehenen Gewebeproben testeten, war es nicht nur ein bisschen besser; es hat die Konkurrenz regelrecht überrollt. Es fand Zellen um 5,2 % genauer und klassifizierte sie um 23,7 % besser als die derzeit besten Modelle, und das alles bei nur 5-mal weniger Computer-„Gehirnzellen“ oder Parametern. Das bedeutet, es ist schneller und günstiger im Betrieb. Am spannendsten ist, dass HistoPLUS nun sieben Arten von Zellen identifizieren kann, die zuvor für Computer zu schwierig waren, einschließlich spezifischer Immunzellen und Strukturzellen. Noch besser: Das Modell zeigte, dass es zwei Arten von Krebs bewältigen konnte, die es während seines Trainings noch nie gesehen hatte, was beweist, dass es nicht nur Antworten auswendig lernt, sondern tatsächlich die Regeln des Spiels versteht.
Die Forscher argumentieren, dass massive, komplexe KI-Modelle (die „Giganten“ auf diesem Gebiet) zwar populär sind, aber nicht immer die beste Lösung darstellen. Ihre Tests zeigten, dass diese riesigen Modelle nicht viel besser abschnitten als HistoPLUS, aber weitaus mehr Rechenleistung erforderten. HistoPLUS beweist, dass man keinen Supercomputer braucht, um super Ergebnisse zu erzielen; man braucht nur die richtigen Trainingsdaten und ein intelligentes, effizientes Design. Indem sie ihr Modell und den Code kostenlos zur Verfügung stellen, hofft das Team, anderen Wissenschaftlern dabei zu helfen, die in diesen Gewebekarten verborgenen Geheimnisse zu entschlüsseln, was potenziell zu besseren Wegen führen kann, vorherzusagen, wie Patienten auf Behandlungen reagieren werden. Sie behaupten nicht, das Krebsheilmittel gefunden zu haben, aber sie haben der medizinischen Gemeinschaft eine viel schärfere Brille gereicht, um die mikroskopische Welt klarer als je zuvor zu sehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.