PRET è un sistema few-shot per il riconoscimento pancanceroso senza addestramento su esempi

Abstract degli autori

L’esame anatomopatologico è il cardine della diagnosi dei tumori e riguarda ogni anno milioni di persone in tutto il mondo. A fronte della carenza di anatomopatologi a livello globale, l’intelligenza artificiale (IA) si è rapidamente affermata come strumento per automatizzare il processo diagnostico. I modelli di IA convenzionali, tuttavia, richiedono grandi quantità di dati etichettati per ogni malattia, con notevoli difficoltà sul piano della scalabilità e dell’applicazione pratica. Presentiamo quindi PRET (pan-cancer recognition without examples training), un sistema few-shot che consente di riconoscere i tumori in modo flessibile, scalabile ed efficace, per diversi organi, ospedali e compiti, senza addestramento. Valutato su 23 benchmark internazionali comprendenti 4.484 immagini di vetrini interi, il nostro metodo supera gli approcci esistenti in 20 compiti, raggiungendo un’area sotto la curva superiore al 97% in 15 benchmark, con un miglioramento massimo del 36,76%. In particolare, PRET offre prestazioni diagnostiche di livello clinico nel rilevamento delle metastasi linfonodali usando appena otto vetrini come esempi e supera 11 anatomopatologi. Offrendo una soluzione flessibile ed economicamente vantaggiosa per il riconoscimento pancanceroso, PRET apre la strada a sistemi di anatomia patologica basati sull’IA accessibili ed equi, a beneficio soprattutto delle popolazioni appartenenti a minoranze e delle regioni meno servite.