Towards Comprehensive Cellular Characterisation of H&E slides
Het artikel introduceert HistoPLUS, een uiterst efficiënt en generaliseerbaar deep learning-model dat is getraind op een nieuwe pan-cancer dataset die de huidige state-of-the-art methoden aanzienlijk overtreft in het detecteren en classificeren van diverse celtypen binnen tumormicro-omgevingen, inclusief onderbelichte en zeldzame cellen, terwijl het verbeterde cross-domein transfereerbaarheid biedt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Stel je voor dat je een detective bent die een misdaad probeert op te lossen, maar in plaats van een rommelige kamer, is je plaats delict een minuscuul stukje menselijk weefsel. In de wereld van de geneeskunde gebruiken artsen een speciale kleuring genaamd H&E (denk aan een hoog-contrast zwart-wit filter) om deze weefselsneden te veranderen in kleurrijke kaarten. Op deze kaarten zien verschillende cellen eruit als verschillende vormen en tinten. Om te begrijpen wat er binnenin een patiënt gebeurt — zoals of een tumor zich verzet of opgeeft — moeten artsen elke enkele cel in dat kleine stukje weefsel tellen en identificeren. Het is alsof je probeert specifieke soorten mieren te vinden in een enorme, drukke mierenhoop door alleen naar een wazige foto te kijken.
Lange tijd waren computers hier erg slecht in. Ze zijn goed in het spotten van "iets dat op een cel lijkt", maar ze worstelen met het verschil tussen een soldaatcel (immuuncel), een bouwvakkercel (stromacel) of een slechterikcel (kankercel), vooral wanneer de cellen tegen elkaar aan geperst zijn of erg op elkaar lijken. Bestaande computerprogramma's zijn als detectives die alleen de meest voorkomende mieren kunnen herkennen; als ze een zeldzame of vreemd uitziende mier zien, raken ze in de war of gaan ze gewoon gokken. Dit is een groot probleem, omdat de zeldzame mieren vaak de belangrijkste aanwijzingen bevatten over hoe een ziekte zich zal gedragen. Wetenschappers hebben geprobeerd betere "superdetectives" (AI-modellen) te bouwen om deze kaarten te lezen, maar ze liepen vast omdat ze niet genoeg trainingsdata hadden met duidelijke labels voor alle verschillende soorten cellen, vooral de zeldzame exemplaren.
Hier komt een nieuw team van onderzoekers binnen met een frisse aanpak. Ze hebben een gloednieuw, superintelligent AI-model gebouwd genaamd HistoPLUS. Denk aan HistoPLUS als een detective die niet alleen uit een paar tekstboeken heeft geleerd, maar jarenlang een enorme, zorgvuldig samengestelde bibliotheek van 108.722 individuele cel-"snapshots" van zes verschillende soorten kanker heeft bestudeerd. In tegenstelling tot eerdere modellen die getraind werden op generieke data, gebruikte dit team een slimme "active learning"-strategie. Stel je een leraar voor die merkt dat een leerling moeite heeft met het identificeren van rode kevers, en in plaats van hem 100 blauwe vlinders te laten zien, zoekt de leraar specifiek 50 rode kevers op totdat de leerling het onder de knie heeft. Het team deed dit met zeldzame celtypen, waardoor hun AI leerde om de lastige, onderbelichte cellen te spotten die anderen misten.
De resultaten zijn indrukwekkend. Toen ze HistoPLUS testten op gloednieuwe, ongeziene weefselmonsters, presteerde het niet alleen een beetje beter, maar het verpletterde de concurrentie. Het vond cellen 5,2% nauwkeuriger en classificeerde ze 23,7% beter dan de huidige beste modellen, terwijl het vijf keer kleiner en lichter was (het gebruikt 5x minder computer-"hersencellen" of parameters). Dit betekent dat het sneller en goedkoper is om te draaien. Het meest opwindend is dat HistoPLUS nu zeven soorten cellen kan identificeren die voorheen te moeilijk waren voor computers, waaronder specifieke immuuncellen en structurele cellen. Nog beter: het model bewees dat het twee soorten kanker aan kon die het tijdens de training nog nooit had gezien, wat bewijst dat het niet alleen antwoorden uit het hoofd leert, maar daadwerkelijk de regels van het spel begrijpt.
De onderzoekers stellen dat hoewel enorme, complexe AI-modellen (de "reuzen" in het veld) populair zijn, ze niet altijd de beste oplossing zijn. Hun tests toonden aan dat deze reuzenmodellen niet veel beter presteerden dan HistoPLUS, maar wel veel meer rekenkracht vereisten. HistoPLUS bewijst dat je geen supercomputer nodig hebt voor superieure resultaten; je hebt alleen de juiste trainingsdata en een slim, efficiënt ontwerp nodig. Door hun model en de code gratis beschikbaar te stellen, hoopt het team andere wetenschappers te helpen de geheimen te ontrafelen die verborgen liggen in deze weefselkaarten, wat potentieel kan leiden tot betere manieren om te voorspellen hoe patiënten op behandelingen zullen reageren. Ze beweren niet dat ze kanker hebben opgelost, maar ze hebben de medische gemeenschap een veel scherpere bril gegeven om de microscopische wereld duidelijker te zien dan ooit tevoren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.