Do Pathology Foundation Models Learn Biology? Uncertainty-Based Evaluation on AML Cytomorphology
Diese Studie zeigt, dass allgemeine Vision-Modelle zwar bei Standard-Clustering-Metriken pathologiespezifische Foundation-Modelle übertreffen mögen, die Fähigkeit der letzteren, biologisch bedeutsame Strukturen zu erfassen, sich jedoch besser durch stabile Unsicherheitspatterns offenbart, die zwischen Zellreifungszuständen bei akuter myeloischer Leukämie unterscheiden.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der Welt der Medizin ist das Mikroskop seit langem das primäre Werkzeug, um die unsichtbaren Mechanismen des menschlichen Körpers zu verstehen. Wenn ein Arzt den Verdacht auf eine Bluterkrankung hat, betrachtet er eine Zellpräparat und sucht nach subtilen Unterschieden in Form, Farbe und Textur, die verraten, ob eine Zelle gesund oder krank ist. Diese Aufgabe ist anspruchsvoll und anfällig für menschliche Fehler; selbst Experten können sich uneinig darüber sein, was sie sehen, und der Prozess ist langsam. Um hierbei zu helfen, haben sich Wissenschaftler der künstlichen Intelligenatur zugewandt und versuchen, Computern beizubringen, diese Muster zu erkennen. Vor kurzem ist eine neue Generation leistungsstarker Computerprogramme, sogenannte Foundation-Modelle, entstanden. Diese sind wie riesige Bibliotheken visuellen Wissens, die auf Millionen von Bildern trainiert wurden, um die Welt zu verstehen. Einige wurden mit allgemeinen Fotografien der Natur trainiert, andere speziell mit medizinischen Gewebeschnitten. Die große Frage für Ärzte und Forscher ist, ob diese universell einsetzbaren Programme, die über ein unglaubliches Wissen über die Welt im Allgemeinen verfügen, wirklich die spezifische, komplexe Biologie menschlicher Zellen verstehen können oder ob sie speziell mit medizinischen Bildern trainiert werden müssen, um dies zu leisten.
Ein Forscherteam machte sich daran, dies zu beantworten, indem es drei verschiedene Computermodelle an einer spezifischen Art von Blutkrebs, der akuten myeloischen Leukämie, testete. Diese Krankheit tritt auf, wenn Blutzellen nicht richtig reifen und in einem unreifen Zustand verharren. Die Forscher verwendeten einen Datensatz mit fast 17.500 Bildern einzelner Zellen, die bereits von Experten in fünfzehn verschiedene Kategorien basierend auf ihrer biologischen Entwicklung eingestuft worden waren. Das Ziel war es zu sehen, ob die Computermodelle diese Zellen korrekt gruppieren können, ohne vorher die Antworten zu kennen. Sie testeten ein Standardmodell, das mit allgemeinen Bildern trainiert wurde, ein großes Modell, das mit allgemeinen Bildern, aber unter Anwendung einer fortgeschritteneren Lernmethode, trainiert wurde, sowie ein spezialisiertes Modell, das auf Millionen von medizinischen Pathologie-Präparaten trainiert wurde.
Die Ergebnisse enthüllten eine überraschende Wendung. Als die Forscher untersuchten, wie ordentlich die Computergruppen gebildet wurden, schnitt das allgemeine Modell, das mit natürlichen Fotografien trainiert wurde, am besten ab. Es erzeugte dichte, gut voneinander abgegrenzte Cluster, die auf dem Papier perfekt aussah. Als die Forscher jedoch überprüften, ob diese Gruppen tatsächlich mit den realen biologischen Zelltypen übereinstimmten, versagte genau dieses Modell völlig. Es gruppierte Zellen zusammen, die oberflächlich ähnlich aussahen, aber zu völlig unterschiedlichen Familien im Körper gehörten. Im Gegensatz dazu erzeugte das speziell auf medizinische Präparate trainierte Modell Gruppen, die ungeordneter und geometrisch weniger perfekt waren, doch diese Gruppen stimmten viel besser mit der tatsächlichen Biologie der Krankheit überein. Das spezialisierte Modell verstand die subtilen Unterschiede, die für einen Arzt wichtig sind, während das allgemeine Modell von oberflächlichen Ähnlichkeiten getäuscht wurde.
Um dem Kern der Sache auf den Grund zu gehen, entwickelten die Forscher eine neue Methode, um die Modelle zu testen: Sie maßen, wie unsicher sich der Computer bei jeder einzelnen Zelle war. In der Biologie sind einige Zellen klar definiert und stabil, während andere sich in einem Übergangszustand befinden, also von einer Phase in die nächste wechseln. Diese Übergangszellen sind von Natur aus ambivalent. Die Forscher fanden heraus, dass das medizinisch trainierte Modell genau dort eine hohe Unsicherheit zeigte, wo es auch sollte: beim Betrachten dieser Übergangsphasen, der sich verändernden Zellen. Es erkannte, dass diese Zellen schwer festzulegen waren. Das allgemeine Modell hingegen zeigte kein solches Muster; es war über alles hinweg gleichermaßen sicher und konnte die biologische Komplexität nicht erfassen. Diese Unsicherheit erwies sich als ein zuverlässigeres Zeichen für wahres Verständnis als die Ordentlichkeit der Gruppen.
Die Studie hob auch eine entscheidende Lektion für die Bewertung dieser Werkzeuge hervor. Wenn ein Forscher nur die Standardwerte betrachtet, die messen, wie ordentlich die Gruppen sind, würde er das falsche Modell für die Aufgabe wählen. Das Modell, das in einem Standardtest am besten abschneidet, ist in Wirklichkeit das schlechteste darin, die Biologie zu verstehen. Darüber hinaus fanden die Forscher heraus, dass die Leistung des medizinischen Modells davon variieren konnte, wie das Experiment gestartet wurde, aber seine Fähigkeit, Unsicherheit wahrzunehmen, blieb beständig und zuverlässig. Dies deutet darauf hin, dass die Betrachtung der Reaktion eines Modells auf Ambiguität ein besserer Weg ist, um dessen Intelligenz zu beurteilen, als lediglich zu prüfen, ob es Dinge in ordentliche Stapel sortiert. Letztendlich zeigt die Forschung, dass das Training eines Computers mit Millionen von medizinischen Bildern eine deutliche Spur hinterlässt, wie er die Welt sieht, was es ihm ermöglicht, die biologische Realität der Krankheit auf eine Weise zu erfassen, die allgemeines Wissen allein nicht erreichen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.