Neuropatólogo en Inteligencia Artificial

El objetivo del estudio es desarrollar un sistema de diagnóstico patológico automatizado para tumores del SNC basado en técnicas de aprendizaje profundo. Está diseñado para desarrollar, en primer lugar, el mejor modelo de aprendizaje profundo para el diagnóstico patológico de tumores del SNC, con el fin de mejorar la precisión del diagnóstico patológico. Luego, para ser utilizado clínicamente, reducir la carga de trabajo y el estrés de los neuropatólogos y obtener los beneficios para los pacientes con tumores del SNC.

Los diferentes tumores del SNC, incluidos el meningioma, el glioma, el linfoma y otros tumores diversos, tienen sus propios principios y planes de tratamiento diferentes. Por ejemplo, el glioma de alto grado requiere resección quirúrgica y quimiorradioterapia posoperatoria. Sin embargo, la resección operativa no es significativa para mejorar el pronóstico en pacientes con linfoma, la quimioterapia sistemática se realizará después del diagnóstico específico basado en la biopsia. Por lo tanto, en este estudio, se desarrollará un sistema automatizado de diagnóstico patológico de tumores del SNC para clasificar los diferentes tipos de esos tumores.

En la actualidad, el diagnóstico anatomopatológico de los tumores del SNC se basa en las características histopatológicas y la información molecular tras un análisis sistemático por parte de los patólogos. La precisión del diagnóstico depende en gran medida de la experiencia de los patólogos. Sin embargo, convertirse en un patólogo experimentado y calificado requiere años de entrenamiento. Los patólogos pueden dar resultados de diagnóstico completamente diferentes para el mismo paciente. Por lo tanto, es esencial desarrollar un sistema que pueda ayudar a los patólogos.

El aprendizaje profundo es una de las técnicas más avanzadas de la inteligencia artificial. En particular, la capacidad de reconocimiento de imágenes es extremadamente poderosa. Por lo tanto, somos capaces de desarrollar un modelo para imágenes de cortes histopatológicos basado en aprendizaje profundo. La clasificación de la OMS de tumores del SNC de 2016 ha incluido marcadores moleculares como parte importante del diagnóstico. Por lo tanto, habrá un modelo adicional de patología molecular que se agregará al sistema.

El Hospital Huashan tiene uno de los biobancos de tumores del SNC más grandes de China, que es la parte clave para el aprendizaje profundo, ya que necesita una gran cantidad de datos. La carga de casos de este estudio es capaz de mostrar la representatividad y autoridad de esos datos.

Habrá tres etapas del estudio. Las etapas 1 y 2 son procesos de aprendizaje supervisado. La etapa 1 consiste en desarrollar el mejor modelo de aprendizaje profundo para el diagnóstico histopatológico de los tumores del SNC; anticipamos que la precisión del primer modelo alcanzará al menos el 70 %. Los datos de entrenamiento (secciones patológicas) serán proporcionados por el biobanco de tumores del SNC del Hospital Huashan. Mientras tanto, se está investigando una plataforma de microposicionamiento para el uso de la recopilación de imágenes. Al final de la etapa 1, se prevé integrar el modelo (software) y la plataforma (hardware) como todo el sistema de diagnóstico por imágenes histopatológicas. La etapa 2 consiste en diseñar un modelo para el diagnóstico patológico molecular de los tumores del SNC. El modelo será entrenado por una gran cantidad de información molecular relacionada extraída de esas secciones patológicas. Al final de la etapa 2, anticipamos combinar el sistema de la etapa 1 y el modelo de la etapa 2 como prototipo principal. La etapa 3 se conoce como el proceso de aprendizaje no supervisado. Al utilizar el prototipo desarrollado después de las etapas anteriores, el sistema se utilizará clínicamente. Con la entrada de más pacientes y datos, junto con los patólogos del hospital, dará su diagnóstico. Al comparar los resultados con los patólogos, podrá autoaprender y mejorar la precisión a medida que pasa el tiempo. Al final de la etapa 3, anticipamos tener el sistema listo para la capacidad de diagnóstico clínico patológico independiente con una precisión superior al 90%.