Mis on EXAONE Path 2.0?
EXAONE Path 2.0 on LG AI Researchi välja töötatud ja avaldatud patoloogia baasmudel. See on loodud arvutusliku patoloogia jaoks: digitaalsete koeproovipiltide kasutamiseks vähibioloogia, biomarkerite, prognoosi ja ravivastuse uurimise toetamisel.
Mudel ei ole üldotstarbeline vestlusrobot ega teksti genereerimise süsteem. Selle peamine väljund on patoloogiapiltidest õpitud representatsioon, mida järgmise etapi teadussüsteemid saavad kasutada näiteks klassifitseerimiseks, biomarkerite ennustamiseks ja muudeks biomeditsiinilise analüüsi ülesanneteks.
Mudel avaldati 9. juulil 2025 LG AI Researchi ametlikus Hugging Face'i repositooriumis ja koodirepositooriumis. EXAONE'i mudeliperekonnas on see positsioneeritud spetsialiseeritud patoloogiamudelina, mitte üldise keele- või visuaal-keele assistendina.
Kuidas mudel töötab?
Kogu koelõigu kujutised (whole-slide images) on koe äärmiselt suured digitaalskaneeringud. Need võivad sisaldada üksikasjalikku teavet mitmel suurendustasemel, kuid nende suuruse tõttu ei ole tervet koelõiku otstarbekas töödelda ühe tavalise pildisisendina. Seetõttu jagavad patoloogiasüsteemid koelõigud tavaliselt väiksemateks pildilaikudeks ja ühendavad seejärel nendest saadud teabe.
EXAONE Path 2.0 õpib patoloogiapiltide laikudest representatsioone, kasutades samal ajal täieliku koelõigu põhjal saadud järelevalveteavet. Praktikas ei käsitle treeninguprotsess iga laiku eraldiseisva näitena, vaid arvestab ka kogu koeprooviga seotud bioloogilist teavet. See peaks aitama mudelil säilitada koe laiemat konteksti ja vältida piiranguid, mis kaasnevad ainult kohalike, laigutaseme signaalide põhjal õppimisega.
Kaasasoleva tehnilise aruande kohaselt kasutati treeningul ligikaudu 37 000 kogu koelõigu kujutist ning hindamine hõlmas 10 biomarkerite ennustamise ülesannet. LG AI Research kirjeldab ka patoloogiapilte, millele on lisatud molekulaarne teave, sealhulgas RNA-ga seotud geneetilised andmed. Need üksikasjad viitavad sellele, et mudel on loodud nähtava koe morfoloogia seostamiseks bioloogiliste ja genoomsete omadustega, kuigi esitatud uurimus ei kinnita, et seda tuleks käsitleda kliinilise diagnostikaseadmena.
Peamised kasutusjuhud
EXAONE Path 2.0 on kõige asjakohasem olukordades, kus uurimisrühm vajab suuremahulise patoloogiaanalüüsi jaoks taaskasutatavat pildirepresentatsiooni. Avaldamiskirjelduse põhjal võivad järgmised etapid hõlmata näiteks järgmist:
- Digipatoloogia piltidest ja kogu koelõigu kujutistest tunnuste eraldamine.
- Vähibiomarkerite või mutatsioonidega seotud signaalide ennustamine koe morfoloogia põhjal.
- Uurimine, kas geeniekspressiooni või muid molekulaarseid omadusi saab koeproovipiltide põhjal tuletada.
- Patoloogiakohortide jaoks järgmise etapi klassifikaatorite loomine.
- Prognoosi ja ravivastuse näitajate uurimine.
Näiteks võib uurimistöö töövoog kasutada mudelit piirkondade või koelõikude teisendamiseks arvulisteks representatsioonideks ning seejärel treenida konkreetse vähiuuringu küsimuse jaoks eraldi statistilise või masinõppemudeli. Järgmise etapi ülesanne, märgendid, valideerimisprotsess ja kliiniline tõlgendus jäävad mudelit rakendava uurimisrühma vastutusele.
Võimekus ja toetatud sisendid
Kinnitatud põhisisend on digitaalne patoloogiapilt, sealhulgas kogu koelõigu skaneeringutest tuletatud pildilaigud. Mudeli väljund on suunatud representatsioonide loomisele, mitte kasutajale mõeldud pildi-, heli-, video- või tekstivastus. Seetõttu tuleks seda mõista kui biomeditsiiniliste töövoogude jaoks mõeldud pildiembeddings'ite ehk tunnuste eraldamise mudelit.
| Võimekus | Kinnitatud olek |
|---|---|
| Patoloogiapildi sisend | Toetatud |
| Kogu koelõigu kujutistel põhinevad uurimistöö töövood | Toetatud laigu- ja koelõigutaseme töötlemise töövoogude kaudu |
| Õpitud pildi- või koelõigurepresentatsioonid | Peamine väljund |
| Tekstivestlus või üldine teksti genereerimine | Ei ole saadaval |
| Piltide genereerimine | Ei ole saadaval |
| Heli- või video sisend/väljund | Ei ole saadaval |
| Veebiotsing, tööriistad või funktsioonikutse | Toe kohta ei leitud kinnitust |
| Hostitud märgendipõhine API | Ametliku pakkumise kohta ei leitud kinnitust |
Väljaande põhjal ei ole tegemist keelemudeli mõistes arutlusmudeliga. See ei paku vestluslikku arutlusrežiimi, programmeerimisassistenti, struktureeritud väljundi režiimi ega tööriistade kasutamise liidest. Selle praktiline „intelligentsus” seisneb patoloogiapiltide spetsialiseeritud representatsiooniõppes.
Saadavus, litsents ja juurutamine
LG AI Research pakub mudelit ametliku Hugging Face'i repositooriumi kaudu ning avaldab sellega seotud EXAONEPathi koodirepositooriumi. Esitatud väljaandeteabe kohaselt on litsentsiks EXAONEPath AI Model License Agreement 1.0 - NC. Enne kaalude või koodi kasutamist tuleks litsents otse läbi lugeda, eriti juhul, kui projekt hõlmab äritegevust, edasilevitamist, patsiendiandmeid või teadustööst kaugemale ulatuvat juurutamist.
Kuna mudel on välja antud kohalikuks teadustööks, mitte hostitud rakendusena, eeldab selle juurutamine üldjuhul sobivat patoloogiapiltide töövoogu ja kohalikku arvutuskeskkonda. Esitatud teave ei täpsusta riistvaranõudeid, kindlat pildiresolutsiooni, maksimaalset koelõigu suurust, kontekstiakent ega väljundi maksimaalset märgendipiirangut. Neid väärtusi ei tohiks tuletada mudeli nimest ega kogu koelõigu kujutiste töötlemise üldistest tavadest.
Peenhäälestus või mudeli kohandamine järgmise etapi jaoks võib olla oma patoloogiaandmestikega töötavatele uurimisrühmadele tehniliselt võimalik. Siiski ei leitud hallatud peenhäälestusteenust ning uurimus ei kehtesta mudeli kohandamiseks standardset hostitud protseduuri.
Hinnastus ja API-juurdepääs
EXAONE Path 2.0 ametliku hostitud API hinnastuse kohta kinnitatud teavet ei leitud. Mudelit levitatakse avatud teadusväljaandena, mitte selgelt dokumenteeritud tellimuse- või märgendipõhise teenusena. Seetõttu ei ole mudeli otsene hind tavapärase kuu-, sisendmärgendi- ega väljundmärgendi-põhise summana saadaval.
Kohalik juurutamine võib siiski kaasa tuua taristu-, salvestus-, koelõikude eeltöötluse, arenduse ja valideerimise kulud. Need on tegevuskulud, mitte avaldatud EXAONE Path 2.0 kasutushind. Esitatud uurimus ei tuvasta selle mudeli jaoks ka esimese osapoole kommerts-API-t, voogedastusliidest, pakktöötluse API-t ega teenusetaseme kohustust.
Tugevused ja kompromissid
Peamised tugevused
- Spetsialiseeritus: Mudel on loodud spetsiaalselt arvutusliku patoloogia, mitte üldise pildimõistmise jaoks.
- Kogu koelõigu põhine järelevalve: Treeningumeetod kasutab laigurepresentatsioonide kõrval koelõigutaseme järelevalvet, aidates säilitada teavet koe laiema konteksti kohta.
- Bioloogiline asjakohasus: Teatatud treeningandmed seovad patoloogiapildid molekulaarse teabega, sealhulgas RNA-ga seotud geneetiliste andmetega.
- Kättesaadavus uurimistööks: Mudeli kaalud ja teadustöö kood on LG AI Researchi ametlikes repositooriumides avalikult saadaval.
- Paindlikkus järgmise etapi ülesannetes: Teadlased saavad õpitud representatsioone kasutada mitmesuguste biomarkeri-, klassifitseerimis- ja biomeditsiinilise analüüsi ülesannete jaoks, mitte piirduda ühe kindla rakendusega.
Olulised piirangud
- Ei ole diagnostikasüsteem: Mudel on teadustööks mõeldud baasmudel ja seda ei tohiks käsitleda kliiniliselt valideeritud diagnostikavahendina.
- Puudub üldise assistendi liides: See ei paku vestlust, dokumentidega suhtlemist, programmeerimisabi ega tavapäraseid loomuliku keele vastuseid.
- Tööparameetrid on täpsustamata: Esitatud materjalid ei kinnita konteksti pikkust, koelõigu maksimaalseid mõõtmeid, väljundi maksimaalset suurust ega ametlikku riistvaraprofiili.
- Juurutamise eest vastutab kasutaja: Kasutajad peavad ise korraldama koelõikude eeltöötluse, andmehalduse, mudeli integreerimise, hindamise ja taristu.
- Kliiniline valideerimine on endiselt vajalik: Kallutatus, populatsioonidevahelised erinevused, värvimise varieeruvus, privaatsus, regulatiivsed nõuded ja järgmise etapi märgendite kvaliteet võivad kõik mõjutada tegelikku jõudlust.
- Litsents tuleb üle vaadata: Litsentsi nimes sisalduv mitteärilise kasutuse tähistus tähendab, et tulevased kasutajad peaksid enne juurutamist kontrollima, kas kavandatud kasutus on lubatud.
Millal valida EXAONE Path 2.0?
Vali EXAONE Path 2.0 siis, kui keskne probleem on patoloogiapiltide representatsiooniõpe ja uurimisrühm soovib katsetada avalikult välja antud spetsialiseeritud mudeliga. See on mõistlik kandidaat akadeemiliseks või tööstuslikuks uurimistööks, mis hõlmab kogu koelõigu kujutisi, biomarkerite ennustamist, molekulaarseid seoseid või järgmise etapi patoloogiaklassifikaatoreid.
Mudel võib olla eriti sobiv juhul, kui tundlike patoloogiaandmete hostitud teenusesse saatmise asemel eelistatakse kohalikku töötlemist ning uurimisrühm suudab täita mudeli arvutus-, privaatsus- ja litsentsinõudeid. Teadusväljaande vorm muudab selle sobivamaks ka meeskondadele, kes peavad mudelit uurima või kohandama, mitte lihtsalt kasutama valmis kliinilist rakendust.
Teistsugune lahendus võib olla sobivam juhul, kui vajate valmislahendusena toimivat patoloogia töövoogu, kliiniliselt valideeritud diagnostikatoodet, hallatud API-t, garanteeritud latentsust või selgelt dokumenteeritud kommertstuge. Üldine multimodaalne keelemudel võib olla parem valik ka aruannete selgitamiseks, kasutajatega suhtlemiseks või piltide ühendamiseks vabas vormis tekstiga, kuid see oleks teistsugune kasutusjuht kui spetsialiseeritud patoloogiarepresentatsioonide eraldamine.
Kokkuvõte
EXAONE Path 2.0 on kõige parem mõista digipatoloogia jaoks mõeldud spetsialiseeritud teadustöö baasmudelina, mitte üldise tehisintellekti assistendina. Selle eripära on otsese kogu koelõigu põhise järelevalve kasutamine patoloogiarepresentatsioonide õppimiseks, mis on seotud biomarkeri- ja molekulaaranalüüsi ülesannetega. Avalik väljaanne võib olla väärtuslik uurimisrühmadele, kes ehitavad oma arvutusliku patoloogia töövooge, kuid see ei kaota vajadust andmestikupõhise valideerimise, kliinilise juhtimise, taristu planeerimise ega litsentsi hoolika ülevaatamise järele.