Studija objavljena u Nature pokazuje da AI koji uči iz ponašanja patologa—kako preleću, zumiraju i zadržavaju pogled na sumnjivim delovima slajda—može bolje da pronađe oblasti sumnjive na rak. Metoda Pathology‑CoT je iskorišćena za izgradnju alata Pathology‑o3 koji najpre skenira slajd niskom rezolucijom, bira regije za detaljniji pregled i zatim ih analizira. U testovima, Pathology‑o3 je postigao visoku senzitivnost (100% u prvom testu; 97,6% na nezavisnom skupu), uz povećan udeo lažno pozitivnih nalaza. Slede klinička ispitivanja koja će meriti uticaj alata na tačnost i brzinu rada patologa.
AI Koja 'Razmišlja' Kao Patolog: Novi Model Pomaže U Otkrivanju Raka Na Slajdovima
In a new study, researchers trained AI to screen tissue-sample slides similar to how a human pathologist would. | Credit: Nicola Tree via Getty Images
Novo istraživanje pokazuje da algoritmi veštačke inteligencije (AI) koji uče od načina na koji ljudski patolozi pretražuju digitalne slajdove mogu bolje pronaći oblasti sumnjive na rak. Umesto da analiziraju unapred podeljene fragmente slike, novi pristup modelira dinamično ponašanje patologa — preletanje, zumiranje i vraćanje na potencijalno sumnjiva mesta — i koristi te podatke za obuku modela.
Kako funkcioniše Pathology‑CoT i alat Pathology‑o3
Istraživači su razvili metodu nazvanu Pathology‑CoT (chain of thought) koja beleži akcije patologa tokom pregleda slajdova: pomeranja po površini, promene uvećanja i zadržavanja pogleda. Podaci su prikupljeni pomoću alata koji je snimao pokrete osam patologa, a potom su očišćeni od slučajnih pokreta i potvrđeni podacima eye‑tracking tehnologije.
Za svaku regiju koju je patolog pregledao, model je generisao kratak obrazloženi razlog zašto ta regija zaslužuje pažnju; ti predlozi su mogli biti prihvaćeni, izmenjeni ili odbijeni od strane stručnjaka, čime je nastao dodatni sloj trenažnih podataka. Na osnovu toga su autori kreirali alat Pathology‑o3 koji prvo skenira slajd niskom rezolucijom, zatim modeliranjem ponašanja patologa bira regione interesovanja, i konačno šalje visoko‑rezolutne kadrove tih regiona na dublju analizu VLM‑a (vision language model).
Pathology-CoT trains algorithms to scan over a whole slide and then return to regions of interest for a closer look. | Credit: Universal Images Group via Getty Images
Rezultati testa i poređenje
U testovima na slajdovima limfnih čvorova iz slučajeva kolorektalnog raka, Pathology‑o3 je u prvom skupu podataka identifikovao sve slajdove pozitivne na metastaze (senzitivnost 100%). Od slajdova koje je označio kao pozitivne, 15,5% su bile zapravo negativne (lažno pozitivni nalazi). Za poređenje, generalni model OpenAI o3 je imao senzitivnost 87,5%, dok je 53,3% slajdova koje je on označio kao pozitivne bilo lažno pozitivno.
Na nezavisnom (out‑of‑distribution) skupu podataka Pathology‑o3 je zadržao visoku senzitivnost (97,6%), ali se udeo lažno pozitivnih povećao na 37,1%. Autori ističu da je sistem namenjen da greši u korist označavanja oblasti za dodatnu proveru, kako bi se smanjio rizik od propuštanja maligniteta.
Ograničenja i naredni koraci
Istraživanje nije direktno upoređivalo performanse sistema sa radom samih patologa, niti je pokazalo da upotreba alata u praksi povećava brzinu ili tačnost dijagnostike. Trenutni model analizira jedan slajd odjednom, dok stvarna dijagnoza često zahteva više slajdova, različita bojenja i kliničku anamnezu pacijenta. Istraživači planiraju kliničke eksperimente u kojima će merenja raditi na istim slučajevima sa i bez podrške Pathology‑o3 kako bi se ocenili efekti na vreme pregleda i broj otkrivenih slučajeva.
Zaključak: Najvažnija poruka studije je da su korisni podaci već prisutni u bolnicama — to su zapravo obrasci ponašanja patologa — i da njihova upotreba može značajno poboljšati navigaciju i fokusiranje AI sistema prilikom pretraživanja velikih digitalnih slajdova.
Napomena: Tekst je informativnog karaktera i ne zamenjuje medicinski savet.
Pomozite nam da budemo bolji.
