Neuropatolog umělé inteligence

Cílem studie je vyvinout automatizovaný systém patologické diagnostiky nádorů CNS založený na technice hlubokého učení. Je navržen tak, aby nejprve vyvinul nejlepší model hlubokého učení pro patologickou diagnostiku nádorů CNS s cílem zlepšit přesnost patologické diagnostiky. Poté, aby byl použit klinicky, snižuje pracovní zátěž a stres neuropatologů a získává výhody pro pacienty s nádorem CNS.

Různé nádory CNS včetně meningeomu, gliomu, lymfomu a dalších různých nádorů mají své vlastní odlišné principy a plány léčby. Například gliom vysokého stupně vyžaduje operační resekci a pooperační chemoradioterapii. Operační resekce však nemá význam pro zlepšení prognózy u pacientů s lymfomem, systematická chemoterapie bude provedena po specifické diagnóze na základě biopsie. Proto bude v této studii vyvinut automatizovaný systém patologické diagnostiky nádorů CNS pro klasifikaci různých typů těchto nádorů.

V současnosti je patologická diagnostika nádorů CNS založena na histopatologických charakteristikách a molekulárních informacích po systematické analýze patology. Přesnost diagnózy velmi závisí na zkušenostech patologů. Stát se zkušeným a kvalifikovaným patologem však vyžaduje roky tréninku. Patologové mohou u stejného pacienta poskytnout zcela odlišný výsledek diagnózy. Proto je nezbytné vyvinout systém, který může pomoci patologům.

Hluboké učení je jednou z nejpokročilejších technik umělé inteligence. Zejména schopnost rozpoznávání obrazu je extrémně silná. Proto jsme schopni vyvinout model pro snímky histopatologických řezů založený na hlubokém učení. WHO Classification of CNS Tumors 2016 zahrnuje molekulární markery jako důležitou součást diagnostiky. Proto bude do systému přidán další model molekulární patologie.

Nemocnice Huashan má jednu z největších biobank nádorů CNS v Číně, která je klíčovou součástí hlubokého učení, protože potřebuje velké množství dat. Případová zátěž této studie je schopna ukázat reprezentativnost a směrodatnost těchto dat.

Studie bude mít tři fáze. Fáze 1 a 2 jsou proces učení pod dohledem. Fáze 1 je vyvinout nejlepší model hlubokého učení pro histopatologickou diagnostiku nádorů CNS, předpokládáme, že přesnost prvního modelu dosáhne alespoň 70 %. Tréninková data (patologické úseky) poskytne biobanka nádorů CNS nemocnice Huashan. Mezitím se zkoumá platforma pro mikropolohování pro využití sběru obrázků. Na konci fáze 1 předpokládáme integraci modelu (software) a platformy (hardware) jako celého diagnostického systému pro histopatologické snímky. Fáze 2 je navržení modelu pro molekulárně patologickou diagnostiku nádorů CNS. Model bude trénován množstvím souvisejících molekulárních informací extrahovaných z těchto patologických úseků. Předpokládáme, že na konci fáze 2 zkombinujeme systém fáze 1 a model fáze 2 jako primární prototyp. Fáze 3 je známá jako proces učení bez dozoru. Použitím prototypu vyvinutého po předchozích fázích bude systém využíván klinicky. S přibývajícími pacienty a daty společně s patology v nemocnici určí diagnózu. Porovnáním výsledků s patology se bude moci samoučit a postupem času zlepšovat přesnost. Předpokládáme, že do konce fáze 3 bude systém připraven pro nezávislou klinickou patologickou diagnostiku s přesností větší než 90 %.