این مطالعه [که چهار روز پیش (۱ مرداد) در مجله معتبر nature medicine چاپ شده است]، یک مدل چندمقیاسی (multi-resolution) به نام «ویرشو» را معرفی می‌کند که برای تشخیص انواع سرطان و پیش‌بینی نشانگرهای زیستی از تصاویر بافت‌شناسی رنگ‌آمیزی شده با هماتوکسیلین و ائوزین (H&E) طراحی شده است.
این مدل، با استفاده از معماری vision transforemer و الگوریتم یادگیری خودنظارتی (self-supervised) بر روی حدود ۱,۴۸۸,۵۵۰ تصویر کامل اسلاید (WSI) از ۱۱۹,۶۲۹ بیمار آموزش دیده است تا بتواند «روابط فضایی پیچیده درون تصاویر» را به طور موثر درک کند!
«ویرشو» عملکرد بسیار بالایی در «تشخیص همه انواع سرطان» نشان داده و به سطح زیر منحنی (AUC) 0.95 در سطح نمونه برای انواع مختلف سرطان دست یافته است. این مدل همچنین قابلیت تعمیم‌پذیری (generalizability) قوی حتی با داده‌های آموزشی محدود را نشان می‌دهد!
این مطالعه به چالش‌های مرتبط با ویژگی‌های منحصر به فرد داده‌های بافت‌شناسی هم پرداخته و بر پتانسیل مدل‌های پایه بزرگ‌مقیاس (large scale foundation models) برای بهبود تشخیص بالینی و تصمیم‌گیری در درمان تاکید می‌کند.
اگر به این موضوع علاقه‌مند هستید، پیشنهاد می‌کنیم که اپیزود جدید پادکست digital pathology [با عنوان 98: DigiPath Digest #6 (Foundation models high level overview)] که توسط دکتر Aleksandra Zuraw تهیه و تنظیم می‌شود و با مهمان این قسمت، آقای دکتر حمیدرضا تیزهوش [که استاد میوکلینیک در آمریکا هستند]، درمورد مدل‌های بنیادین در پاتولوژی صحبت کرده‌اند را از دست ندهید.
