Kunstig intelligens neuropatolog

Formålet med undersøgelsen er at udvikle et automatiseret patologisk diagnosesystem for CNS-tumorer baseret på deep learning-teknik. Den er designet til for det første at udvikle den bedste deep learning-model til patologisk diagnose af CNS-tumorer for at forbedre nøjagtigheden af ​​patologisk diagnose. For derefter at blive brugt klinisk, reducere arbejdsbyrden og stressen for neuropatologer og opnå fordelene for CNS-tumorpatienter.

Forskellige CNS-tumorer inklusive meningeom, gliom, lymfom og andre forskellige tumorer har deres egne forskellige behandlingsprincipper og -planer. For eksempel kræver højgradig gliom operationel resektion og postoperativ kemo-strålebehandling. Operationel resektion er dog ikke signifikant for forbedring af prognose hos lymfompatienter, systematisk kemoterapi vil blive udført efter specifik diagnose baseret på biopsi. Derfor vil der i denne undersøgelse blive udviklet et automatiseret CNS-tumorpatologisk diagnosesystem for at klassificere de forskellige typer af disse tumorer.

På nuværende tidspunkt er patologisk diagnose af CNS-tumorer baseret på histopatologiske karakteristika og molekylær information efter en systematisk analyseret af patologer. Nøjagtigheden af ​​diagnosen afhænger meget af patologernes erfaring. Men at blive en erfaren og kvalificeret patolog kræver mange års uddannelse. Patologer kan give helt forskellige diagnoseresultater for den samme patient. Det er derfor vigtigt at udvikle et system, der kan hjælpe patologer.

Deep learning er en af ​​de mest avancerede teknikker inden for kunstig intelligens. Især evnen til billedgenkendelse er ekstremt kraftfuld. Derfor er vi i stand til at udvikle en model for histopatologiske snitbilleder baseret på dyb læring. WHO Classification of CNS Tumors 2016 har inkluderet molekylære markører som den vigtige del af diagnosen. Derfor vil der være en yderligere model for molekylær patologi, der skal tilføjes til systemet.

Huashan Hospital har en af ​​de største CNS-tumorbiobanker i Kina, som er nøgledelen til dyb læring, da den har brug for store mængder data. Sagsmængden i denne undersøgelse er i stand til at vise disse datas repræsentative og autoritative.

Der vil være tre faser af undersøgelsen. Trin 1 og 2 er superviseret læringsproces. Trin 1 er at udvikle den bedste dybe læringsmodel til histopatologisk diagnose af CNS-tumorer, vi forventer, at nøjagtigheden for den første model opnår mindst 70 %. Træningsdataene (patologiske sektioner) vil blive leveret af Huashan Hospital CNS tumorbiobank. I mellemtiden er en mikropositioneringsplatform under undersøgelse for brug af billedsamling. I slutningen af ​​trin 1 forventer vi at integrere modellen (softwaren) og platformen (hardwaren) som hele diagnosesystemet for histopatologiske billeder. Fase 2 er at designe en model for molekylær patologisk diagnose for CNS-tumorer. Modellen vil blive trænet af adskillige mængder relateret molekylær information udvundet fra disse patologiske sektioner. I slutningen af ​​fase 2 forventer vi at kombinere fase 1-system og fase 2-model som den primære prototype. Trin 3 er kendt som den uovervågede læringsproces. Ved at bruge prototypen udviklet efter tidligere faser, vil systemet blive brugt klinisk. Med indgangen af ​​flere patienter og data, sammen med patologer på hospitalet, vil det give sin diagnose. Ved at sammenligne resultaterne med patologer vil den være i stand til at lære sig selv og forbedre nøjagtigheden, efterhånden som tiden går. Ved udgangen af ​​trin 3 forventer vi at have systemet klar til uafhængig klinisk patologisk diagnoseevne med en nøjagtighed på mere end 90 %.