Towards Comprehensive Cellular Characterisation of H&E slides
Il documento presenta HistoPLUS, un modello di deep learning altamente efficiente e generalizzabile, addestrato su un nuovo dataset pan-cancer che supera significativamente i metodi allo stato dell'arte esistenti nel rilevamento e nella classificazione di diversi tipi cellulari all'interno dei microambienti tumorali, inclusi i tipi cellulari rari e poco studiati, offrendo al contempo una migliore trasferibilità cross-domain.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Immagina di essere un detective che cerca di risolvere un crimine, ma invece di una stanza disordinata, la tua scena del crimine è una minuscola fetta di tessuto umano. Nel mondo della medicina, i medici usano una colorazione speciale chiamata H&E (pensa a un filtro ad alto contrasto in bianco e nero) per trasformare queste fette di tessuto in mappe colorate. Su queste mappe, diverse cellule appaiono con forme e sfumature differenti. Per capire cosa stia succedendo all'interno di un paziente — come se un tumore stia combattendo o stia arrendendosi — i medici devono contare e identificare ogni singola cellula in quella minuscola fetta. È come cercare di trovare tipi specifici di formiche in un enorme e affollato formicaio guardando solo una foto sfuocata.
Per molto tempo, i computer sono stati terribili in questo. Sono bravi a scovare "qualcosa che somiglia a una cellula", ma faticano a distinguere tra una cellula soldato (cellula immunitaria), una cellula operaia edile (cellula stromale) o una cellula cattiva (cellula cancerosa), specialmente quando le cellule sono schiacciate l'una contro l'altra o sembrano molto simili. I programmi informatici esistenti sono come detective che conoscono solo le formiche più comuni; se vedono una formica rara o dall'aspetto strano, si confondono o vanno semplicemente a tentoni. Questo è un grande problema perché le formiche rare spesso detengono gli indizi più importanti su come una malattia si comporterà. Gli scienziati hanno cercato di costruire "super-detective" migliori (modelli di IA) per leggere queste mappe, ma sono rimasti bloccati perché non avevano abbastanza dati di addestramento con etichette chiare per tutti i diversi tipi di cellule, specialmente per quelle rare.
È qui che un nuovo team di ricercatori interviene con un approccio fresco. Hanno costruito un modello di IA nuovissimo e super intelligente chiamato HistoPLUS. Pensa a HistoPLUS come a un detective che non si è limitato a studiare su pochi libri di testo, ma ha passato anni a studiare una biblioteca massiccia e accuratamente curata di 108.722 singoli "scatti" cellulari provenienti da sei diversi tipi di cancro. A differenza dei modelli precedenti, che erano stati addestrati su dati generici, questo team ha utilizzato una strategia intelligente di "apprendimento attivo". Immagina un insegnante che nota che uno studente è scarso nell'identificare le lucciole rosse, quindi invece di mostrargli 100 farfalle blu, trova specificamente e mostra 50 lucciole rosse finché non le padroneggia. Il team ha fatto questo con i tipi di cellule rare, assicurandosi che la loro IA imparasse a scovare le cellule difficili e poco studiate che altri avrebbero mancato.
I risultati sono impressionanti. Quando hanno testato HistoPLUS su nuovi campioni di tessuto mai visti prima, non si sono limitati a fare un po' meglio; hanno travolto la concorrenza. Ha trovato le cellule con un'accuratezza superiore del 5,2% e le ha classificate con un rendimento del 23,7% migliore rispetto ai migliori modelli attuali, il tutto essendo cinque volte più piccolo e leggero (usando 5 volte meno "cellule cerebrali" informatiche o parametri). Ciò significa che è più veloce ed economico da gestire. Ancora più entusiasmante, HestoPLUS può ora identificare sette tipi di cellule che erano precedentemente troppo difficili da gestire per i computer, inclusi specifici tipi di cellule immunitarie e strutturali. Ancora meglio, il modello ha dimostrato di poter gestire due tipi di cancro che non aveva mai visto durante l'addestramento, provando che non sta solo memorizzando risposte, ma sta effettivamente imparando le regole del gioco.
I ricercatori sostengono che, sebbene i modelli di IA massicci e complessi (i "giganti" del settore) siano popolari, non siano sempre la soluzione migliore. I loro test hanno dimostrato che questi modelli giganti non performavano molto meglio di HistoPLUS, ma richiedevano molta più potenza di calcolo. HistoPLUS dimostra che non serve un supercomputer per ottenere risultati super; serve solo il giusto set di dati di addestramento e un design intelligente ed efficiente. Rilasciando il loro modello e il codice gratuitamente, il team spera di aiutare altri scienziati a sbloccare nuovi segreti nascosti in queste mappe tissutali, portando potenzialmente a nuovi modi per prevedere come i pazienti risponderanno ai trattamenti. Non stanno affermando di aver risolto il cancro, ma hanno consegnato alla comunità medica un paio di occhiali molto più nitidi per vedere il mondo microscopico più chiaramente che mai.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.