PRISM2 usa imagens e laudos para avançar pesquisas sobre câncer

PRISM2 é um modelo multimodal de fundação para patologia digital. Ele analisa imagens completas de lâminas de tecido e também processa linguagem derivada de laudos, permitindo responder a perguntas sobre os padrões observados.

O projeto foi desenvolvido por pesquisadores da Paige e da Microsoft Research. Os pesos do modelo foram disponibilizados para uso em pesquisa, o que permite que outros grupos estudem suas capacidades e limitações.

O treinamento reuniu 2,3 milhões de imagens de lâminas completas e 14 milhões de pares de perguntas e respostas produzidos a partir de aproximadamente 700 mil laudos de patologia. Essa escala ajuda o modelo a relacionar aparência do tecido e raciocínio diagnóstico escrito.

Em vez de aprender apenas pequenos recortes de uma imagem, o PRISM2 tenta formar uma representação do caso em nível de lâmina. Essa visão é importante porque patologistas avaliam contexto, distribuição e combinação de sinais.

No estudo, o PRISM2 foi comparado com produtos clínicos especializados para detectar câncer invasivo de próstata, mama e metástase em linfonodo mamário. Com perguntas de resposta sim ou não e sem treinamento adicional para cada tarefa, igualou o desempenho dos sistemas de próstata e mama e superou o de linfonodo nos conjuntos avaliados.

Os pesquisadores também analisaram tarefas envolvendo cânceres comuns e raros, biomarcadores, prognóstico e preenchimento de partes de laudos. O resultado varia conforme a tarefa e o método de adaptação usado.

Não. O artigo apresenta um modelo de pesquisa e resultados em conjuntos de avaliação. Isso não equivale a uma autorização regulatória nem significa que o sistema esteja disponível para tomar decisões médicas sozinho.

Diagnóstico exige validação em populações diversas, integração segura ao laboratório e responsabilidade de profissionais qualificados. O PRISM2 pode apoiar estudos e futuros produtos, mas não substitui exame, laudo e consulta médica.

Laudos registram relações que uma imagem isolada não explica diretamente: tipo de tumor, grau, margens e outras observações clínicas. Transformar esse conhecimento em perguntas e respostas cria um sinal de treinamento mais próximo da forma como especialistas raciocinam.

A linguagem também permite interagir com o modelo por meio de perguntas, em vez de depender apenas de classificadores separados. Isso pode acelerar protótipos de pesquisa para diferentes tarefas.

Os próprios autores apontam limitações de raciocínio espacial, variação entre centros, vieses do conjunto de dados e dificuldade em completar laudos. As lâminas de treinamento vieram de uma instituição, o que exige estudos de robustez em outros ambientes.

O próximo passo é testar generalização, segurança e utilidade real em fluxos clínicos. Um resultado promissor de laboratório só se transforma em benefício ao paciente depois de validação independente, regulamentação e acompanhamento humano.