O GigaPath, um modelo baseado em inteligência artificial (IA), promete acelerar o progresso da pesquisa em patologia digital. A plataforma é totalmente aberta, incluindo o código-fonte, e foi um dos destaques do Simpósio Presidencial 3 do ESMO 2024 (Eyes to the future), em apresentação do patologista Carlo Bifulco (foto). “Estamos diante de uma nova era. A patologia computacional vai transformar o diagnóstico do câncer”, sinalizou.
O GigaPath é um modelo baseado em IA que reuniu bilhões de parâmetros e foi pré-treinado em um grande conjunto de dados de patologia digital de 28 centros de câncer, compreendendo 1.384.860.229 blocos de imagem de 171.189 lâminas de H&E (hematoxilina & eosina) de biópsias e ressecções em mais de 30.000 pacientes, cobrindo 31 tipos principais de tecido. Prever mutações tumorais a partir de imagens de patologia pode ajudar a aumentar a utilização da medicina personalizada.
“O GigaPath se destaca na modelagem de lâminas de patologia de gigapixel, refinando estruturas patológicas locais variadas e integrando assinaturas globais em toda a lâmina”, descrevem os autores. No ESMO 2024, os pesquisadores compararam a predição molecular do GigaPath H&E com métodos concorrentes HIPT, CtransPath, REMEDIS, em três tarefas: adeno 5-gene de pulmão (EGFR, FAT1, KRAS, TP53, LRP1B), pan-cancer 5-genes e predição de TMB.
Os resultados mostram que para adenocarcinoma de pulmão, o GigaPath atingiu uma macroárea média sob a característica do operador do receptor (AUROC) de 0,626, superando todas as abordagens concorrentes (valor de P < 0,01). Para pan-cancer, o GigaPath também superou os melhores métodos concorrentes nesses 5 genes, com 6,5% de melhoria macro-AUROC e 18,7% de melhoria na macroárea sob a curva de precisão-recall (AUPRC, valor de P < 0,01). Para predição de TMB, o GigaPath atingiu o melhor desempenho, com AUPRC média de 0,35, com melhoria significativa (valor de P < 0,01) sobre o segundo melhor método.
“O GigaPath é potencialmente aplicável a domínios biomédicos mais amplos para aprendizado autossupervisionado eficiente a partir de imagens de alta resolução”, destacam os autores, que apostam no modelo para análise de grandes conjuntos de dados de biologia espacial emergentes e até para a caracterização personalizada e abrangente do microambiente tumoral.
Referência:
1942O - Application of GigaPath: An open-weight billion-parameter AI foundation model based on a novel vision transformer architecture for cancer mutation prediction and TME analysis
Speakers: Carlo Bifulco (Southfield, United States of America)
