WordPress 網站
Virchow 由紐約數位病理公司 Paige 開發，是用於檢測癌症的最大的基於影像的 AI 基礎模型。複雜性，使病理學家能夠深入了解以前不可能的癌症檢測和診斷。
罕見癌症佔所有癌症的50%以上，診斷起來異常困難。識別這些癌症和癌症特徵，其影響是重大的，可能影響數百名兒童和青少年。
佩奇表示，這些顯示的人工智慧已經變得如此先進，足以檢測出尚未接受的癌症。
醫療保健IT新聞 與 Paige 聯合創始人 David Klimstra 博士一起來討論基礎模型、罕見癌症給病理學家及其帶來的複雜性、基礎模型數據的廣度和深度如何能夠識別罕見癌症，和一個患者的病例。
Q：請從高層次談談 Paige Virchow 基金會模型，以及它如何代表人工智能在癌症診斷方面的進展。
一個。 過去五年來，病理性人工智能模型的訓練取得了巨大的發展。產生訓練級人工智能模型所需的資料量。
第一個重要的進步是多實例學習，其中必須執行圖像註釋，並向電腦提供的唯一註釋是確定圖像是否包含癌症。可以了解癌症的區分和良性特徵，可以更好地了解癌症可能發生的大量外觀變化。
Paige使用多實例學習來訓練小車癌症檢測模型，發表於 該算法於2019 年獲得Nature Medicine 批准，並於2021 年獲得FDA 批准用於臨床。交易者癌症診斷的體重和體重均增加。
Paige繼續使用多實例學習來創建診斷手動智慧工具；然而，儘管方法比手動圖像註釋更有效，但它仍然需要反映特定診斷任務的大量數據。幫助診斷能夠獲得數千張影像的罕見癌症，需要一種新方法。
因此，Paige 開發了 Virchow，這是一個基於海量真實數據（多達 3,000,000 張影像，包含超過 10 億個參數）訓練的基礎模型，反映了腫瘤疾病、非腫瘤疾病和正常組織學的全譜。自我或監督生成式人工智慧可以使用更少的資料標籤進行學習，從而創建可評估任何下游診斷任務的病理學知識的虛擬百科全書。
由於模型已經接觸過如此多的病理影像數據，因此它可以非常有效地學習特定任務。 Virchow 已發表在 Nature Medicine 上，我們相信該模型以及 Paige 正在開發的未來第二代和世代基礎模型將成為未來訓練所有病理學 AI 的基礎。
它不僅可以檢測罕見的癌症和更常見的癌症的異常變異，還可以根據經常準備的病理圖像中的精細形態線索進行，以檢測重要的“數位生物標記”，例如癌症的基因組改變。
問：請描述罕見癌症對病理學家、其他臨床醫生患者及其帶來的複雜性，因為檢測和診斷能力有限或根本不存在。
一個。 根據美國國家癌症研究所的數據，基於有限的病例數（美國每年不到40,000例），略多於一系列的癌症被認為是罕見的。一些非常獨特的組織學特徵、遺傳改變和臨床行為。
罕見的癌症和變異代表了診斷和管理的挑戰，因為病理學家或腫瘤學家對數百種亞型中的大量亞型的經驗可能是有限的。可能無法識別它，或者他們可能不知道其與其他癌症變異的區別的重要性。
癌症的準確診斷和分類是病理學家的職責，但對於此類癌症，可能需要亞專業知識才能準確提供重要的診斷資訊。提供最關鍵和準確的診斷。
Q：這個基礎模型的數據廣度和深度如何設定能夠識別小型、複雜和/或罕見的癌症和癌症特徵，這將如何改變癌症病理學的遊戲規則？
一個。 Virchow 基金會模型在使用紀念斯隆凱特琳癌症中心的數百萬張圖像進行訓練期間，接觸到了幾乎所有類型的罕見癌症和罕見變異。責任的角色，而需要依賴普通病理學家的個人經驗來識別不相似的診斷結果。
基於Vircow的診斷人工智慧可以透過多種方式提供幫助。很容易識別的惡性腫瘤特徵，但在其他細胞的海洋中找到它們（著名的“大海撈針”）對於病理學家來說也非常具有接近性和活動性。
在此類任務中，基於魏爾嘯的人工智慧模型表現出色，因為它們可以快速吸收所有形態學發現中的圖像，將病理學家的注意力吸引到非常小的質疑區域以進行最終裁決。
另一個應用是區分正確的罕見變異，病理學家對此的經驗可能有限。
最後，一些病理診斷是高度重視的，需要判斷將連續的組織學改變分散的類別。可能具有顯著不同的臨床管理。
由於消除了人類解釋的優勢，人工智能可以使分配案例賦予這些優勢類別變得可重複性。 由於閃電診斷開發有效的人工智能模型仍在進行發射的工作，有可能為這個棘手的問題提供解決方案。
Q：談談泛癌應用能夠在胰臟病例中檢測到極微小的神經母細胞瘤轉移的患者病例，以及為什麼這很重要。
一個。 使用基於Virchow基礎模型的人工智能模型進行癌症檢測可以幫助病理學家識別非常小的罕見癌症區域。
在 Paige 驗證模型中檢測到 17 種不同組織類型的癌症過程中遇到了一個現實樣本中，模型將切除相對正常的胰臟組織標記為可疑癌症。
由於這些影像是對患者一個無相似（年齡、性別、既往診斷等）的情況進行評估的，因此在胰臟影像中最常見的癌症類型是導管腺癌（最常見的胰臟癌類型） ）成人）或胰臟神經內分泌腫瘤。
在切除標本中，這兩種癌症類型通常都不是很微妙，組織切片的檢查很快就證實了這兩種癌症不存在。個看上去代表良性發炎細胞（公平）的小細胞群。
然而，根據人工智慧對這些細胞的檢測，獲得了患者的既往病史。了病患的疾病史，病理學家評審員就可以驗證人工智慧確實檢測出胰臟標本中極為罕見的癌症。
這個具體的例子為我們在廣泛的癌症類型和變體中遇到的能力提供了具體證據——魏爾嘯的廣泛訓練能夠檢測出大多數病理實踐學家在極其罕見的癌症類型中。
Q：醫院和衛生系統的首席主管和其他健康 IT 領導者需要從 Paige Virchow 基金會模式的所有這些內容中獲得什麼？
一個。 由於允許使用人工智能工具所需的數字病理學平台的緩慢採用，人工智能軟骨病理學實踐的進程一直很緩慢。化成本高、物流挑戰、使用者不願意的限制。
隨著新的人工智能工具的推出，使用人工智能實現更高的效率和準確性將增加證明數字病理學實踐的成本和精力是合理的。人工智能工具的開發。
現在，AI診斷輔助工具可以使用更少的資料集更快地開發，無論是由Paige這樣的公司，還是由有興趣建立自己的AI的學術部門（透過Virchow訪問）。轉折點，在這個轉折點上，這些技術為病理學家、治療臨床醫生及其患者帶來的好處將超過數個病理學的障礙。
在 LinkedIn 上關注 Bill 的 HIT 頻道：Bill Siwicki
給他發電子郵件：[email protected]
醫療保健IT新聞是HIMSS媒體書籍。
