Neuropathologe für künstliche Intelligenz

Ziel der Studie ist die Entwicklung eines automatisierten pathologischen Diagnosesystems für ZNS-Tumoren basierend auf Deep-Learning-Techniken. Es soll zunächst das beste Deep-Learning-Modell für die pathologische Diagnose von ZNS-Tumoren entwickeln, um die Genauigkeit der pathologischen Diagnose zu verbessern. Dann klinisch eingesetzt werden, die Arbeitsbelastung und den Stress von Neuropathologen reduzieren und die Vorteile für Patienten mit ZNS-Tumoren nutzen.

Verschiedene ZNS-Tumoren, einschließlich Meningiom, Gliom, Lymphom und anderen verschiedenen Tumoren, haben ihre eigenen unterschiedlichen Behandlungsprinzipien und -pläne. Beispielsweise erfordert ein hochgradiges Gliom eine operative Resektion und eine postoperative Chemo-Radiotherapie. Allerdings ist die operative Resektion für die Verbesserung der Prognose bei Lymphompatienten nicht von Bedeutung, eine systematische Chemotherapie wird nach spezifischer Diagnose anhand einer Biopsie durchgeführt. Daher wird in dieser Studie ein automatisiertes pathologisches Diagnosesystem für ZNS-Tumoren entwickelt, um die verschiedenen Arten dieser Tumoren zu klassifizieren.

Gegenwärtig basiert die pathologische Diagnose von ZNS-Tumoren auf histopathologischen Merkmalen und molekularen Informationen nach einer systematischen Analyse durch Pathologen. Die Genauigkeit der Diagnose hängt sehr stark von der Erfahrung der Pathologen ab. Um jedoch ein erfahrener und qualifizierter Pathologe zu werden, bedarf es einer jahrelangen Ausbildung. Pathologen können für denselben Patienten völlig unterschiedliche Diagnoseergebnisse geben. Daher ist es wichtig, ein System zu entwickeln, das Pathologen unterstützen kann.

Deep Learning ist eine der fortschrittlichsten Techniken der künstlichen Intelligenz. Insbesondere die Fähigkeit zur Bilderkennung ist äußerst leistungsfähig. Daher sind wir in der Lage, auf Basis von Deep Learning ein Modell für histopathologische Schnittbilder zu entwickeln. Die WHO-Klassifikation von ZNS-Tumoren 2016 hat molekulare Marker als wichtigen Bestandteil der Diagnose aufgenommen. Daher wird dem System ein zusätzliches Modell der Molekularpathologie hinzugefügt.

Das Huashan-Krankenhaus verfügt über eine der größten ZNS-Tumor-Biobanken in China, die der Schlüsselfaktor für Deep Learning ist, da sie große Datenmengen benötigt. Die Falllast dieser Studie kann die Repräsentativität und Aussagekraft dieser Daten zeigen.

Es wird drei Phasen des Studiums geben. Stufe 1 und 2 sind überwachte Lernprozesse. Stufe 1 besteht darin, das beste Deep-Learning-Modell für die histopathologische Diagnose von ZNS-Tumoren zu entwickeln. Wir gehen davon aus, dass die Genauigkeit für das erste Modell mindestens 70 % erreichen wird. Die Trainingsdaten (pathologische Schnitte) werden von der CNS-Tumorbiobank des Huashan Hospital bereitgestellt. In der Zwischenzeit wird eine Mikropositionierungsplattform für die Nutzung der Bilderfassung untersucht. Am Ende von Stufe 1 wollen wir das Modell (Software) und die Plattform (Hardware) als das gesamte Diagnosesystem für histopathologische Bilder integrieren. Stufe 2 besteht darin, ein Modell für die molekularpathologische Diagnose von ZNS-Tumoren zu entwerfen. Das Modell wird durch zahlreiche Mengen verwandter molekularer Informationen trainiert, die aus diesen pathologischen Abschnitten extrahiert werden. Am Ende von Stufe 2 erwarten wir, das System der Stufe 1 und das Modell der Stufe 2 als primären Prototyp zu kombinieren. Stufe 3 ist als unüberwachter Lernprozess bekannt. Durch die Verwendung des nach vorangehenden Phasen entwickelten Prototyps wird das System klinisch eingesetzt. Mit dem Eingang weiterer Patienten und Daten wird es zusammen mit Pathologen im Krankenhaus seine Diagnose stellen. Durch den Vergleich der Ergebnisse mit Pathologen wird es in der Lage sein, selbst zu lernen und die Genauigkeit im Laufe der Zeit zu verbessern. Wir gehen davon aus, dass das System bis zum Ende von Phase 3 bereit für eine unabhängige klinisch-pathologische Diagnosefähigkeit mit einer Genauigkeit von mehr als 90 % ist.