Paige, leader mondial des solutions de pathologie numérique de bout en bout et de l’IA clinique, a annoncé aujourd’hui la sortie de Pathology Report and Image Summarization Model (PRISM)1, un modèle de fondation au niveau de la diapositive entière conçu pour accélérer les percées en matière d’aide à la décision clinique et de médecine de précision.
PRISM s’appuie sur le développement de Virchow2, le premier et le plus grand modèle de fondation à l’échelle d’un million de diapositives pour la pathologie et l’oncologie, qui a fait date dans l’histoire de Paige. La plupart des modèles de base récents en pathologie, comme Virchow3, se concentrent sur de petites sections d’images ou des tuiles pour faire des prédictions. Cependant, il existe un fossé entre ces images de tuiles et les prédictions sur des lames entières effectuées dans la pratique médicale. Par conséquent, de grands ensembles de données sont encore nécessaires pour que les modèles d’IA puissent efficacement faire des prédictions sur des lames entières. En outre, de nombreuses applications du monde réel, telles que les essais cliniques ne comptant que quelques centaines de patients, ne disposent pas de suffisamment de données de qualité pour permettre un apprentissage précis de l’IA.
PRISM est conçu pour combler cette lacune. Le nouveau modèle génère automatiquement des rapports de synthèse diagnostique à partir d’images de lames entières colorées au H&E et peut être adapté à d’autres tâches avancées en aval dans les environnements cliniques et pharmaceutiques. Cela témoigne de l’innovation de Paige et constitue un bond en avant dans la technologie de la pathologie vers la construction d’un copilote général d’IA qui a le potentiel d’accélérer le diagnostic et le traitement de précision.
Pré-entraîné sur un ensemble de données à grande échelle comprenant 587 000 images de lames entières et 195 000 rapports cliniques, le modèle produit des rapports récapitulatifs de lames entières contenant des informations riches telles que la détection du cancer, le sous-typage et les prédictions de biomarqueurs1. En apportant ce puissant éclairage au diagnostic, PRISM pourrait directement contribuer à réduire les délais de diagnostic et à améliorer la personnalisation du diagnostic du cancer.
Le modèle présente également un grand potentiel pour la découverte de médicaments et la médecine de précision. Affiné sur des biomarqueurs que le modèle n’avait jamais vus, PRISM s’est avéré plus performant que les lignes de base supervisées formées sur ces biomarqueurs à partir de zéro, en particulier avec de faibles tailles d’échantillons d’entraînement. En particulier, PRISM a identifié certains biomarqueurs en utilisant seulement 10 % des données d’entraînement nécessaires pour atteindre ou dépasser les performances maximales obtenues sans pré-entraînement.1 Les données sur les biomarqueurs pouvant être limitées, cela pourrait aider les entreprises pharmaceutiques et de sciences de la vie à obtenir des informations nuancées essentielles à partir d’échantillons de tissus, ce qui permettrait d’affiner la compréhension du cancer et d’élaborer des traitements ciblés.
« La capacité de PRISM à résumer avec précision l’ensemble des diapositives dans des rapports en identifiant les cancers communs et rares ainsi que les biomarqueurs et d’autres informations sur les tissus profonds est extrêmement prometteuse dans le domaine du diagnostic du cancer et des sciences de la vie. Paige, en collaboration avec Microsoft, est extrêmement fière d’être à l’avant-garde du développement du modèle de fondation en pathologie et en oncologie grâce à la vision multimodale à grande échelle et à l’IA génératrice de langage. Nous pensons que PRISM permettra de mieux comprendre le monde complexe du cancer et d’améliorer le diagnostic et le traitement », a déclaré Siqi Liu, directeur de la science de l’IA.
Lire la publication complète
—
1Shaikovski, G., et al. (2024). PRISM : un modèle de fondation génératif multimodal pour l’histopathologie au niveau des diapositives. arXiv. https://arxiv.org/abs/2405.10254
3Vorontsov, E., et al. (2023). Virchow : Un modèle de fondation de pathologie numérique à un million de diapositives. arXiv. https://arxiv.org/abs/2309.07778
