Paige, ein weltweit führender Anbieter von digitalen End-to-End-Pathologielösungen und klinischer KI, gab heute die Veröffentlichung des Pathology Report and Image Summarization Model (PRISM)1 bekannt, eines Grundlagenmodells auf der Ebene ganzer Objektträger, das den Durchbruch bei der klinischen Entscheidungshilfe und der Präzisionsmedizin beschleunigen soll.
PRISM baut auf Paiges bahnbrechender Entwicklung von Virchow2 auf, dem ersten und größten Stiftungsmodell im Millionenmaßstab für die Pathologie und Onkologie. Die meisten neueren Grundlagenmodelle in der Pathologie, wie Virchow3, konzentrieren sich auf kleine Bildausschnitte oder Kacheln, um Vorhersagen zu treffen. Zwischen diesen Kachelbildern und den Vorhersagen für ganze Objektträger, die in der medizinischen Praxis gemacht werden, klafft jedoch eine Lücke. Daher sind immer noch große Datensätze erforderlich, damit KI-Modelle effektiv Vorhersagen für ganze Objektträger treffen können. Hinzu kommt, dass bei vielen realen Anwendungen, z. B. bei klinischen Studien mit nur wenigen hundert Patienten, nicht genügend hochwertige kuratierte Daten vorliegen, um ein präzises KI-Training zu ermöglichen.
PRISM wurde entwickelt, um diese Lücke zu schließen. Das neue Modell generiert automatisch diagnostische Übersichtsberichte aus H&E-gefärbten Bildern von ganzen Objektträgern und kann für zusätzliche, erweiterte Aufgaben im klinischen und pharmazeutischen Umfeld angepasst werden. Dies ist ein Beweis für Paiges Innovation und ein Sprung nach vorn in der Pathologie-Technologie hin zum Aufbau eines allgemeinen KI-Kopiloten, der das Potenzial hat, die Präzisionsdiagnose und -behandlung zu beschleunigen.
Das Modell wurde mit einem umfangreichen Datensatz von 587.000 Ganzkörperbildern und 195.000 klinischen Berichten trainiert und liefert zusammenfassende Ganzkörperberichte mit umfangreichen Informationen wie Krebserkennung, Subtypisierung und Biomarker-Vorhersagen1. Indem PRISM die Diagnose um diese aussagekräftigen Erkenntnisse erweitert, könnte es direkt dazu beitragen, die Diagnosezeiten zu verkürzen und die Personalisierung der Krebsdiagnose zu verbessern.
Das Modell birgt auch großes Potenzial für die Arzneimittelforschung und die Präzisionsmedizin. Bei der Feinabstimmung auf Biomarker, die das Modell zuvor nicht kannte, zeigte sich, dass PRISM überwachte Basislinien, die von Grund auf auf diese Biomarker trainiert wurden, übertrifft, insbesondere bei einer geringen Anzahl von Trainingsproben. Bemerkenswert ist, dass PRISM bestimmte Biomarker mit nur 10% der Trainingsdaten identifizierte, die erforderlich waren, um die maximale Leistung zu erreichen oder zu übertreffen, die ohne Vortraining erreicht wurde.1 Da Biomarkerdaten oft nur begrenzt verfügbar sind, könnte dies Pharma- und Biowissenschaftsunternehmen helfen, wichtige nuancierte Informationen aus Gewebeproben zu gewinnen, die das Verständnis von Krebs verfeinern und Informationen für gezielte Behandlungen liefern würden.
„Die Fähigkeit von PRISM, die gesamten Daten in Berichten zusammenzufassen, indem häufige und seltene Krebsarten zusammen mit Biomarkern und anderen tiefen Einblicken in das Gewebe identifiziert werden, ist außerordentlich vielversprechend für die gesamte Landschaft der Krebsdiagnose und der Biowissenschaften. Paige ist sehr stolz darauf, in Zusammenarbeit mit Microsoft an vorderster Front die Entwicklung des Foundation Model in der Pathologie und Onkologie mit groß angelegter multimodaler Vision und sprachgenerativer KI voranzutreiben. Wir glauben, dass PRISM dazu beitragen wird, einen detaillierteren Blick in die komplexe Welt des Krebses zu werfen und damit die Diagnose und Behandlung zu verbessern“, sagte Siqi Liu, Director of AI Science.
Lesen Sie die vollständige Veröffentlichung
—
1Shaikovski, G., et al. (2024). PRISM: Ein multimodales generatives Grundlagenmodell für die Histopathologie auf Diaebene. arXiv. https://arxiv.org/abs/2405.10254
3Vorontsov, E., et al. (2023). Virchow: Ein Modell der Stiftung Digitale Pathologie mit einer Million Dias. arXiv. https://arxiv.org/abs/2309.07778
