Neuropathologiste en Intelligence Artificielle

L'objectif de l'étude est de développer un système de diagnostic pathologique automatisé pour les tumeurs du SNC basé sur une technique d'apprentissage en profondeur. Il est conçu pour développer d'abord le meilleur modèle d'apprentissage en profondeur pour le diagnostic pathologique des tumeurs du SNC, afin d'améliorer la précision du diagnostic pathologique. Ensuite, pour être utilisé en clinique, réduire la charge de travail et le stress des neuropathologistes et obtenir les avantages pour les patients atteints de tumeurs du SNC.

Différentes tumeurs du SNC, y compris le méningiome, le gliome, le lymphome et d'autres tumeurs diverses, ont leurs propres principes et plans de traitement. Par exemple, un gliome de haut grade nécessite une résection opératoire et une chimio-radiothérapie post-opératoire. Cependant, la résection opératoire n'est pas significative pour améliorer le pronostic chez les patients atteints de lymphome, une chimiothérapie systématique sera réalisée après un diagnostic précis basé sur la biopsie. Par conséquent, dans cette étude, un système automatisé de diagnostic pathologique des tumeurs du SNC sera développé pour classer les différents types de ces tumeurs.

À l'heure actuelle, le diagnostic pathologique des tumeurs du SNC est basé sur des caractéristiques histopathologiques et des informations moléculaires après une analyse systématique par des pathologistes. La précision du diagnostic dépend beaucoup de l'expérience des pathologistes. Cependant, pour devenir un pathologiste expérimenté et qualifié, il faut des années de formation. Les pathologistes peuvent donner des résultats de diagnostic complètement différents pour le même patient. Ainsi, il est essentiel de développer un système qui puisse aider les pathologistes.

L'apprentissage en profondeur est l'une des techniques les plus avancées de l'intelligence artificielle. En particulier, la capacité de reconnaissance d'image est extrêmement puissante. Par conséquent, nous sommes en mesure de développer un modèle d'images de coupe histopathologique basé sur l'apprentissage en profondeur. La classification OMS des tumeurs du SNC 2016 a inclus les marqueurs moléculaires comme élément important du diagnostic. Par conséquent, il y aura un modèle supplémentaire de pathologie moléculaire à ajouter au système.

L'hôpital de Huashan possède l'une des plus grandes biobanques de tumeurs du SNC en Chine, qui est l'élément clé de l'apprentissage en profondeur, car il a besoin d'une grande quantité de données. La charge de cas de cette étude est en mesure de montrer la représentativité et l'autorité de ces données.

L'étude se déroulera en trois étapes. Les étapes 1 et 2 sont un processus d'apprentissage supervisé. L'étape 1 consiste à développer le meilleur modèle d'apprentissage en profondeur pour le diagnostic histopathologique des tumeurs du SNC, nous prévoyons que la précision du premier modèle atteindra au moins 70 %. Les données de formation (sections pathologiques) seront fournies par la biobanque de tumeurs CNS de l'hôpital Huashan. En attendant, une plate-forme de micro-positionnement est à l'étude pour l'utilisation de la collecte d'images. À la fin de l'étape 1, nous prévoyons d'intégrer le modèle (logiciel) et la plate-forme (matériel) en tant que système de diagnostic complet pour les images histopathologiques. L'étape 2 consiste à concevoir un modèle de diagnostic pathologique moléculaire pour les tumeurs du SNC. Le modèle sera formé par de nombreuses quantités d'informations moléculaires connexes extraites de ces sections pathologiques. À la fin de l'étape 2, nous prévoyons de combiner le système de l'étape 1 et le modèle de l'étape 2 en tant que prototype principal. L'étape 3 est connue sous le nom de processus d'apprentissage non supervisé. En utilisant le prototype développé après les étapes précédentes, le système sera utilisé en clinique. Avec l'arrivée de plus de patients et de données, en collaboration avec les pathologistes de l'hôpital, il donnera son diagnostic. En comparant les résultats avec des pathologistes, il pourra s'auto-apprendre et améliorer la précision au fil du temps. À la fin de l'étape 3, nous prévoyons que le système sera prêt pour une capacité de diagnostic pathologique clinique indépendante avec une précision supérieure à 90 %.