تیمێک لە Hong Kong University of Science and Technology سیستەمێکیان بە ناوی PRET پێشکەش کرد، کە کورتکراوەی Pan-cancer Recognition without Example Training ـە، و ئەنجامەکانی لە Nature Cancer بڵاوکرانەوە. هەواڵەکە تەنها مۆدێلێکی تر نییە کە ژمارەیەکی نوێ بۆ خشتەی AUC زیاد بکات. خاڵە گرنگەکە بۆ پاتۆلۆژیست ئەوەیە مۆدێلەکە چۆن بەکاردێت: ئەرکێکی نوێ، ژمارەیەکی کەم لە سلایدی نیشانکراو، و بێ پێویستی بە fine-tuningی تایبەت بۆ هەر جۆرە شێرپەنجەیەک یان هەر diagnostic taskێک.
بیرۆکەکە لە in-context learningی مۆدێلە زمانییەکان وەرگیراوە، بەڵام بۆ شیکردنەوەی WSI گوازراوەتەوە. لە جیاتی ڕاهێنانی مۆدێلێکی جیاواز یان دووبارە ڕێکخستنی مۆدێلێکی بنەڕەتی لەسەر هەزاران وێنە، PRET لە کاتی inferenceدا نێوان یەک سلاید تا هەشت سلایدی annotated وەک سەرچاوەی ئاماژە بەکاردەهێنێت. پاشان ئەرکەکانی وەک cancer screening، tumor subtyping، و tumor segmentation لە چوارچێوەیەکی یەکگرتوودا جێبەجێ دەکات.
ئەم وردەکارییە لە کردەوەدا گرنگە. زۆرێک لە مۆدێلەکانی pathology AI لە ناو داتای پەرەپێداندا بەهێز دەردەکەون، پاشان پرسیارە سەختەکان دەست پێدەکەن کاتێک دەگوازرێنەوە بۆ تاقیگەیەکی تر: scannerێکی جیاواز، stainingی جیاواز، case mixی جیاواز، و کۆمەڵە نەخۆشێک کە هاوشێوەی کۆمەڵەی ڕاهێنان نییە. ئەگەر مۆدێلەکە بۆ هەر taskێک پێویستی بە خولێکی ڕاهێنانی نوێ هەبێت، بارگرانیی بەکارهێنان نزیک دەبێتەوە لە بارگرانیی پەرەپێدان. PRET هەوڵ دەدات ئەم بازنەیە بشکێنێت بە کەمکردنەوەی پشتبەستن بە داتای زۆر و ڕاهێنانی دووبارە.
بەپێی ڕاپۆرتەکە، سیستەمەکە لەسەر 23 benchmark dataset لە دامەزراوەکانی چین، ویلایەتە یەکگرتووەکان، و هۆڵەندا تاقیکراوەتەوە، و تاقیکردنەوەکان 18 جۆری شێرپەنجە و چەند ئەرکێکی دەستنیشانکارییان گرتووەتەوە. PRET لە 20 ئەرکدا لە ڕێگاکانی پێشووتر باشتر بوو، و لە 15 ئەرکدا AUCی لە 97% زیاتر بوو. ئەمانە ژمارەی بەهێزن، بەڵام هێشتا ژمارەی benchmarkن. بەهای ڕاستەقینەیان ئەوکاتە دەردەکەوێت کە لەگەڵ دیزاینی مۆدێلەکە و ژمارەی نموونە پێویستەکاندا دەیانخوێنینەوە.
ڕوونترین ئەنجام بۆ پاتۆلۆژیستەکان لە دۆزینەوەی مێتاستازی گرێی لیمفاوی دەرکەوت. بە بەکارهێنانی تەنها هەشت سلاید وەک نموونە، PRET گەیشتە AUCی نزیکەی 98.71%. لە هەمان بەراورددا، ناوەندی ئەدای 11 پاتۆلۆژیست نزیک بوو لە AUCی 81%. نابێت ئەم ژمارەیە بکرێتە ناونیشانێکی سادەکراوە بە شێوەی ئەوەی مۆدێلەکە “لە پاتۆلۆژیستەکان باشترە” لە هەموو شتێکدا. ئەرکەکە دیاریکراوە، بەراوردەکە مەرجی خۆی هەیە، و AUC هەموو ئەوەی لە sign-outی ڕۆژانەدا ڕوودەدات کورت ناکاتەوە. بەڵام ژمارەیەکە ناتوانرێت پشتگوێ بخرێت.
ئەوەی لە سەرکەوتن لە ئەرکێکی تاک زیاتر جێی سەرنجە، بانگەشەی گشتاندنە لە نێوان شێرپەنجە و ناوەندی جیاوازدا. ئەگەر مۆدێلێکی تاک بتوانێت بە چەند نموونەیەکی کەم مامەڵە لەگەڵ screening وsubtyping وsegmentation بکات، ڕەنگە لەبەردەم شێوەیەکی نزیکتر لە “ئامرازێکی خۆگونجێن” لە ناو تاقیگەدا بین، نەک تەنها classifierێکی داخراو. ئەم جیاوازییە بنەڕەتییە لەو شوێنانەی تیمی ناوخۆی machine learningیان نییە، یان ناتوانن بۆ هەر پرسیارێکی دەستنیشانکاری datasetsی گەورە دروست بکەن.
لەگەڵ ئەوەشدا، ڕێگای بەکارهێنانی کلینیکی لە ژمارەی AUC دەست پێناکات و لەوێش کۆتایی نایەت. تاقیگە پێویستی بەوەیە بزانێت مۆدێلەکە لەسەر حاڵەتە سنوورییەکان، artefacts، جیاوازییەکانی fixation وsection thickness وstaining چۆن کار دەکات. هەروەها پێویستە ئەدای مۆدێلەکە بخوێنرێتەوە کاتێک کوالیتی نموونە دادەبەزێت، کاتێک mixed patterns هەن، و کاتێک حاڵەتەکان هاوشێوەی ئەو هەشت نموونەیە نین کە پێیدراون. ئەمانە وردەکاریی لاوەکی نین، بەڵکو ئەو شوێنەن کە جیاوازی نێوان مۆدێلێکی سەرکەوتوو لە توێژینەوە و سیستەمێکی متمانەپێکراو لە workflowی ڕاستەقینەدا دیاری دەکەن.
پرسیارێکی تر بۆ پاتۆلۆژیست ئەوەیە: ئەنجامەکە چۆن پیشان دەدرێت؟ ئەگەر PRET بۆ lymph node metastasis detection بەکاربهێنرێت، ئایا heatmapێکی قابلی پێداچوونەوە پێشکەش دەکات؟ ئایا ناوچە گومانلێکراوەکان بە شێوەیەک دیاری دەکات کە یارمەتی پشکنین بدات، یان چینێکی نوێ لە ئاگادارکردنەوەی ناپێویست زیاد دەکات؟ و ئایا هەستیاریی بەرز دەپارێزێت بێ ئەوەی ژمارەی false positives بگەیەنێتە ئاستێک کە کارەکە خاو بکاتەوە؟ ئەم پرسیارانە بەهای کردەوەیی زیاتر لە ناوی تەکنیکەکە دیاری دەکەن.
لایەنی ئەرێنی PRET ئەوەیە کە گفتوگۆکە دەباتە سەر کێشەیەکی ڕاستەقینە لە پاتۆلۆژی دیجیتاڵدا: چۆن AI دروست بکەین کە لە هەر بەکارهێنانێکی نوێدا پێویستی بە دووبارە دروستکردنەوەی تەواو نەبێت. لە تاقیگە کەم سەرچاوەکاندا، ئەمە دەکرێت جیاوازی نێوان سیستەمێکی قابلی تاقیکردنەوە و سیستەمێک بێت کە هەرگیز ناچێتە ناو بەکارهێنانەوە. لە ناوەندە گەورەکانیشدا، ڕەنگە کاتی گواستنەوەی مۆدێل لە research بۆ validationی ناوخۆ کەم بکاتەوە.
کورتەکەی، نابێت PRET وەک جێگرەوەی پاتۆلۆژیست بخوێنرێتەوە، و نە وەک بەڵگەی کۆتایی بۆ ئامادەبوونی in-context learning بۆ sign-out. خوێندنەوەی وردتر ئەوەیە کە ئەم مۆدێلە یەکێک لە گەورەترین تێچووەکانی pathology AI کەم دەکاتەوە: تێچووی داتای نیشانکراو و ڕاهێنانی دووبارە. ئەگەر ئەم ئاراستەیە لە cohortsی دەرەکی و لە مەرجی کارکردنی نزیک بە تاقیگەی ڕۆژانە پشتڕاست بکرێتەوە، ڕەنگە in-context learning ببێتە یەکێک لە ڕێگا کردەوەییەکان بۆ ئەوەی AIی پاتۆلۆژی کەمتر پشت بە دووبارە ڕاهێنان ببەستێت و زیاتر توانای خۆگونجاندنی هەبێت.
سەرچاوە: Pathology News