Udvikling af et kunstig intelligenssystem til intelligent patologisk diagnose og forudsigelse af terapeutisk effekt baseret på multimodal datafusion af almindelige tumorer og større infektionssygdomme i åndedrætssystemet ved hjælp af Deep Learning-teknologi.

Hovedmålene er som følger:

1. At etablere en medicinsk big data-platform for multimodal informationsfusion af almindelige tumorer og større infektionssygdomme (lungecancer/lungeknuder, tuberkulose og COVID-19) baseret på de eksisterende patologiske billedfunktioner og klinisk multi-omics informationsdatabase: medicinsk big data-platform understøtter erhvervelsen af ​​patientens kliniske elektroniske medicinske journaler (inklusive rutinemæssig klinisk detektion), digital sektion af patologisk billeddata i fuld visning, medicinsk billeddannelse (CT, MR, ultralyd, nuklearmedicin osv.), flere omics-data ( genom, transkriptom og metabolom, proteomics) omics-data, ætiologi, patologi og tilhørende grafiske datarapporter og multimodale medicinske behandlingsdata. Vi sigter mod at realisere lagring, deling, fusionsberegning, privatlivsbeskyttelse og sikkerhedsovervågning af multimodale og tværskala biomedicinske big data. Vores arbejde vil åbne op for centrale forretningsprocesser og forbindelser på tværs af regioner, på tværs af hospitaler, mellem forskellige terminaler, mellem hospitaler og læger og mellem afdelinger, for at fremme kontinuerlig dataopsamling og videnudfældning på hospitaler og fremme lægeligt samarbejde.
2. At skabe en multimodal informationsfusionsdatabase med patologiske træk, billeddannelsesfunktioner, multiomics (patologisk, genomisk, transkriptom, metabolom, proteomik osv.) og klinisk information om patienter i forskellige stadier af lungekræft/lungeknuder, tuberkulose og COVID-19. Databaseskalaen omfatter multimodale data for mindst 600 lungekræft/lungeknuder, 200 tuberkulose og 200 COVID-19 patienter. Desuden vil der være mere end 10 biomarkører signifikant relateret til diagnosticering og behandling af patienter med lungekræft/lungeknuder, tuberkulose og COVID-19 blev udgravet gennem associationsanalyse, hvilket giver parametre for kunstig intelligens-modelkonstruktion.
3. Vi vil gøre brug af kunstig intelligens-teknologi til at skabe den multimodale medicinske big data-krydsanalyseteknologi og ovennævnte sygdomsindividualiserede nøjagtige diagnose og forudsigelsesmodeller for helbredende effekt. For at løse de tre nøgleproblemer ved multimodal datafusion mining, såsom ubalanceret, lille prøvestørrelse og dårlig fortolkning, vil vi etablere en ARTIFICIAL intelligens-genkendelsesalgoritme for billedbilleder og patologiske billeder og bruge billedbehandling og deep learning teknologier til at udvinde visuelle træk på flere niveauer af billeddata og patologiske data. Derudover vil vi bruge bioinformatikanalysealgoritmer til at udføre molekylær netværksmining og funktionel analyse af molekylære markører på niveauet af flere omics-teknologier (patologisk, genomisk, transkriptom, metabolom, proteom osv.).