Tekoälyn neuropatologi

Tutkimuksen tavoitteena on kehittää syväoppimistekniikkaan perustuva automatisoitu patologinen diagnoosijärjestelmä keskushermoston kasvaimille. Se on suunniteltu kehittämään ensinnäkin paras syväoppimismalli keskushermoston kasvainten patologiseen diagnosointiin patologisen diagnoosin tarkkuuden parantamiseksi. Sitten kliiniseen käyttöön, vähennät neuropatologien työtaakkaa ja stressiä ja hyödynnät keskushermostosyöpäpotilaita.

Eri keskushermoston kasvaimilla, mukaan lukien meningiooma, gliooma, lymfooma ja muut erilaiset kasvaimet, on omat erilaiset hoitoperiaatteensa ja -suunnitelmansa. Esimerkiksi korkealaatuinen gliooma vaatii operatiivista resektiota ja leikkauksen jälkeistä kemosädehoitoa. Operaatioresektiolla ei kuitenkaan ole merkitystä lymfoomapotilaiden ennusteen parantamiselle, vaan järjestelmällinen kemoterapia suoritetaan biopsiaan perustuvan spesifisen diagnoosin jälkeen. Siksi tässä tutkimuksessa kehitetään automatisoitu keskushermoston kasvainten patologinen diagnoosijärjestelmä näiden kasvainten erityyppisten luokitteluun.

Tällä hetkellä keskushermoston kasvainten patologinen diagnoosi perustuu histopatologisiin ominaisuuksiin ja molekyylitietoihin patologien systemaattisen analyysin jälkeen. Diagnoosin tarkkuus riippuu suuresti patologien kokemuksesta. Kokeeksi ja päteväksi patologiksi tuleminen vaatii kuitenkin vuosien koulutusta. Patologit voivat antaa täysin erilaisen diagnoosituloksen samalle potilaalle. Siksi on välttämätöntä kehittää järjestelmä, joka voi auttaa patologia.

Syväoppiminen on yksi kehittyneimmistä tekoälyn tekniikoista. Erityisesti kuvantunnistuskyky on erittäin tehokas. Siksi pystymme kehittämään syväoppimiseen perustuvan mallin histopatologisille leikkauskuville. WHO:n keskushermostotuumoriluokitus 2016 on sisällyttänyt molekyylimarkkerit tärkeäksi osaksi diagnoosia. Tästä syystä järjestelmään tulee lisättävä molekyylipatologian malli.

Huashan Hospital -sairaalalla on yksi Kiinan suurimmista keskushermoston kasvainten biopankeista, joka on keskeinen osa syväoppimista, koska se tarvitsee paljon dataa. Tämän tutkimuksen tapausmäärä voi osoittaa näiden tietojen edustavuuden ja arvovaltaisuuden.

Opiskelussa on kolme vaihetta. Vaiheet 1 ja 2 ovat ohjattua oppimisprosessia. Vaihe 1 on kehittää paras syväoppimismalli keskushermoston kasvainten histopatologiseen diagnosointiin, odotamme ensimmäisen mallin saavuttavan vähintään 70 % tarkkuuden. Koulutustiedot (patologiset osat) toimittaa Huashan Hospitalin keskushermoston kasvaimen biopankki. Tällä välin tutkitaan mikropaikannusalustaa kuvakeräyksen käyttöön. Vaiheen 1 lopussa odotamme integroivamme mallin (ohjelmisto) ja alustan (laitteisto) koko histopatologisten kuvien diagnoosijärjestelmäksi. Vaihe 2 on mallin suunnittelu keskushermoston kasvainten molekyylipatologiselle diagnoosille. Mallia koulutetaan lukuisilla vastaavilla molekyylitiedoilla, jotka on otettu noista patologisista osista. Vaiheen 2 lopussa aiomme yhdistää vaiheen 1 järjestelmän ja vaiheen 2 mallin ensisijaiseksi prototyypiksi. Vaihe 3 tunnetaan ohjaamattomana oppimisprosessina. Aiempien vaiheiden jälkeen kehitettyä prototyyppiä käyttämällä järjestelmää käytetään kliinisesti. Kun potilaita ja tietoja tulee lisää, yhdessä sairaalassa olevien patologien kanssa se antaa diagnoosinsa. Vertaamalla tuloksia patologiin se pystyy oppimaan itse ja parantamaan tarkkuutta ajan myötä. Vaiheen 3 loppuun mennessä odotamme järjestelmän olevan valmis itsenäiseen kliiniseen patologiseen diagnoosiin yli 90 prosentin tarkkuudella.