Neuropatologo dell'Intelligenza Artificiale

Lo scopo dello studio è quello di sviluppare un sistema di diagnosi patologica automatizzato per i tumori del SNC basato sulla tecnica del deep learning. È progettato per sviluppare in primo luogo il miglior modello di deep learning per la diagnosi patologica dei tumori del SNC, al fine di migliorare l'accuratezza della diagnosi patologica. Quindi per essere utilizzato clinicamente, ridurre il carico di lavoro e lo stress dei neuropatologi e ottenere benefici per i pazienti con tumore del SNC.

Diversi tumori del sistema nervoso centrale tra cui meningioma, glioma, linfoma e altri vari tumori hanno i propri principi e piani di trattamento diversi. Ad esempio, il glioma ad alto grado richiede resezione operativa e chemio-radioterapia post-operatoria. Tuttavia, la resezione operativa non è significativa per migliorare la prognosi nei pazienti con linfoma, la chemioterapia sistematica verrà eseguita dopo una diagnosi specifica basata sulla biopsia. Pertanto, in questo studio, verrà sviluppato un sistema automatizzato di diagnosi patologica dei tumori del SNC per classificare i diversi tipi di tumori.

Allo stato attuale, la diagnosi patologica dei tumori del SNC si basa su caratteristiche istopatologiche e informazioni molecolari dopo un'analisi sistematica da parte dei patologi. L'accuratezza della diagnosi si basa molto sull'esperienza dei patologi. Tuttavia, per diventare un patologo esperto e qualificato sono necessari anni di formazione. I patologi possono fornire risultati diagnostici completamente diversi per lo stesso paziente. Pertanto, è essenziale sviluppare un sistema che possa aiutare i patologi.

Il deep learning è una delle tecniche più avanzate dell'intelligenza artificiale. In particolare, la capacità di riconoscimento delle immagini è estremamente potente. Pertanto, siamo in grado di sviluppare un modello per immagini di sezioni istopatologiche basato sul deep learning. La classificazione dell'OMS dei tumori del SNC 2016 ha incluso i marcatori molecolari come parte importante della diagnosi. Quindi, ci sarà un ulteriore modello di patologia molecolare da aggiungere al sistema.

L'ospedale di Huashan ha una delle più grandi banche biologiche di tumori del SNC in Cina, che è la parte fondamentale per il deep learning, poiché necessita di una grande quantità di dati. Il carico di casi di questo studio è in grado di mostrare la rappresentatività e l'autorevolezza di tali dati.

Ci saranno tre fasi dello studio. Le fasi 1 e 2 sono processi di apprendimento supervisionato. La fase 1 consiste nello sviluppo del miglior modello di deep learning per la diagnosi istopatologica dei tumori del sistema nervoso centrale, prevediamo che l'accuratezza del primo modello raggiunga almeno il 70%. I dati di addestramento (sezioni patologiche) saranno forniti dalla biobanca tumorale del SNC dell'ospedale Huashan. Nel frattempo, è allo studio una piattaforma di microposizionamento per l'utilizzo della raccolta di immagini. Alla fine della fase 1, prevediamo di integrare il modello (software) e la piattaforma (hardware) come l'intero sistema diagnostico per le immagini istopatologiche. La fase 2 prevede la progettazione di un modello per la diagnosi patologica molecolare dei tumori del SNC. Il modello sarà addestrato da numerose quantità di informazioni molecolari correlate estratte da quelle sezioni patologiche. Alla fine della fase 2, prevediamo di combinare il sistema della fase 1 e il modello della fase 2 come prototipo principale. La fase 3 è nota come processo di apprendimento senza supervisione. Utilizzando il prototipo sviluppato dopo le fasi precedenti, il sistema verrà utilizzato clinicamente. Con l'arrivo di più pazienti e dati, insieme ai patologi in ospedale, darà la sua diagnosi. Confrontando i risultati con i patologi, sarà in grado di autoapprendere e migliorare la precisione con il passare del tempo. Entro la fine della fase 3, prevediamo di avere il sistema pronto per la capacità di diagnosi patologica clinica indipendente con un'accuratezza superiore al 90%.