Paige, líder mundial en soluciones integrales de patología digital e IA clínica, ha anunciado hoy el lanzamiento de Pathology Report and Image Summarization Model (PRISM)1, un modelo de base a nivel de diapositivas completo diseñado para acelerar los avances en el apoyo a la toma de decisiones clínicas y la medicina de precisión.
PRISM se basa en el desarrollo histórico de Paige de Virchow2, el primer y mayor Modelo de Fundación a escala de un millón de diapositivas para patología y oncología. La mayoría de los modelos de fundamentos recientes en patología, como Virchow3, se centran en pequeñas secciones de imagen o mosaicos para hacer predicciones. Sin embargo, existe una brecha entre estas imágenes en mosaico y las predicciones sobre portaobjetos completos que se realizan en la práctica médica, por lo que siguen siendo necesarios grandes conjuntos de datos para que los modelos de IA puedan realizar predicciones eficaces sobre portaobjetos completos. Además, muchas aplicaciones del mundo real, como los ensayos clínicos con sólo unos cientos de pacientes, carecen de suficientes datos curados de alta calidad para permitir un entrenamiento preciso de la IA.
PRISM está diseñado para salvar esta distancia. El nuevo modelo genera automáticamente informes resumidos de diagnóstico a partir de imágenes de portaobjetos completos teñidas con H&E y puede adaptarse a tareas posteriores avanzadas adicionales, tanto en entornos clínicos como farmacéuticos. Esto es un testimonio de la innovación de Paige y un salto adelante en la tecnología de la patología hacia la construcción de un copiloto general de IA que tiene el potencial de acelerar el diagnóstico y el tratamiento de precisión.
Preentrenado en un conjunto de datos a gran escala de 587.000 imágenes de diapositivas completas y 195.000 informes clínicos, el modelo genera informes resumidos de diapositivas completas con abundante información, como detección de cáncer, subtipificación y predicciones de biomarcadores1. Al añadir esta poderosa perspectiva al diagnóstico, PRISM podría contribuir directamente a reducir los plazos de diagnóstico y mejorar la personalización del diagnóstico del cáncer.
El modelo también tiene un gran potencial para el descubrimiento de fármacos y la medicina de precisión. El PRISM, perfeccionado con biomarcadores no vistos previamente por el modelo, demostró superar a las líneas de base supervisadas entrenadas con estos biomarcadores desde cero, especialmente con tamaños de muestra de entrenamiento bajos. En particular, PRISM identificó determinados biomarcadores utilizando sólo el 10% de los datos de entrenamiento necesarios para alcanzar o superar el rendimiento máximo conseguido sin preentrenamiento.1 Dado que los datos sobre biomarcadores pueden ser limitados, esto podría ayudar a las empresas farmacéuticas y de ciencias de la vida a desentrañar información matizada clave a partir de muestras de tejido, que perfeccionaría la forma de entender el cáncer e informaría sobre los tratamientos dirigidos.
«La capacidad de PRISM de resumir con precisión los informes de todo el cáncer identificando cánceres comunes y raros junto con biomarcadores y otros conocimientos profundos de los tejidos es extraordinariamente prometedora en todo el panorama del diagnóstico del cáncer y las ciencias de la vida. Paige, en colaboración con Microsoft, está muy orgullosa de estar a la vanguardia del avance en el desarrollo del Modelo Fundacional en patología y oncología con IA generativa de visión y lenguaje multimodal a gran escala. Creemos que PRISM contribuirá a dar una visión más detallada del complejo mundo del cáncer, mejorando el diagnóstico y el tratamiento», declaró Siqi Liu, Director de Ciencia de la IA.
Leer la publicación completa
—
1Shaikovski, G., et al. (2024). PRISM: Un modelo de base generativo multimodal para histopatología a nivel de portaobjetos. arXiv. https://arxiv.org/abs/2405.10254
3Vorontsov, E., et al. (2023). Virchow: Un Modelo de Fundación de Patología Digital de un Millón de Diapositivas. arXiv. https://arxiv.org/abs/2309.07778
