健康科学：リアルワールドデータからのデジタル病理学のための全スライド基盤モデル
Nature 630, 8015 doi: 10.1038/s41586-024-07441-w
標準的なギガピクセルのスライドには数万の画像タイルが含まれることがあるため、デジタル病理学には特有の計算的な課題がある。以前のモデルでは、各スライドのごく一部のタイルをサブサンプリングすることが多かったため、重要なスライドレベルのコンテキストが失われていた。今回我々は、全スライド病理基盤モデルであるProv-GigaPathを提示する。このモデルは、28のがんセンターからなる米国の大規模医療ネットワークProvidenceにより提供された、17万1189枚の全スライドに含まれる13億の256 × 256の病理画像タイルで事前訓練された。これらのスライドは3万人以上の患者に由来し、31の主要な組織タイプを網羅している。Prov-GigaPathを事前訓練するために、我々はGigaPathを提案する。GigaPathは、ギガピクセル病理スライドに対する、事前訓練用の新しいビジョン・トランスフォーマー・アーキテクチャーである。GigaPathを数万枚の画像タイルでスライドレベルの学習に拡張させるために、GigaPathは新たに開発されたLongNet法をデジタル病理学に適合させた。Prov-GigaPathを評価するために、我々はProvidenceデータとTCGAデータの両方を用いて、9つのがんサブタイピング課題と17のパソミクス（pathomics）課題からなるデジタル病理学ベンチマークを構築した。大規模な事前訓練と超大規模コンテキストモデル化を用いて、Prov-GigaPathは26課題中の25課題で最高水準の成績を達成し、18課題では2番目に良い方法よりも大幅に改善されていた。さらに我々は、病理報告を取り入れることにより、病理学に対する視覚–言語事前訓練でのProv-GigaPathの可能性を実証する。まとめると、Prov-GigaPathはさまざまなデジタル病理課題で最高水準の成績を達成するオープンウェイトの基盤モデルであり、リアルワールドデータと全スライドモデル化の重要性を実証している。
