Kunstmatige Intelligentie Neuropatholoog

Het doel van de studie is het ontwikkelen van een geautomatiseerd pathologisch diagnosesysteem voor CZS-tumoren op basis van deep learning-techniek. Het is ontworpen om ten eerste het beste deep learning-model voor pathologische diagnose van CZS-tumoren te ontwikkelen, om de nauwkeurigheid van pathologische diagnose te verbeteren. Om vervolgens klinisch te worden gebruikt, vermindert u de werkdruk en stress van neuropathologen en verkrijgt u de voordelen voor CZS-tumorpatiënten.

Verschillende CZS-tumoren, waaronder meningeoom, glioom, lymfoom en andere verschillende tumoren, hebben hun eigen verschillende behandelingsprincipes en -plannen. Hooggradig glioom vereist bijvoorbeeld operationele resectie en postoperatieve chemo-radiotherapie. Operationele resectie is echter niet significant voor het verbeteren van de prognose bij lymfoompatiënten, systematische chemotherapie zal worden uitgevoerd na specifieke diagnose op basis van biopsie. Daarom zal in deze studie een geautomatiseerd CZS-tumorpathologisch diagnosesysteem worden ontwikkeld om de verschillende typen van die tumoren te classificeren.

Momenteel is de pathologische diagnose van CZS-tumoren gebaseerd op histopathologische kenmerken en moleculaire informatie na een systematische analyse door pathologen. De juistheid van de diagnose hangt sterk af van de ervaring van de pathologen. Om echter een ervaren en gekwalificeerde patholoog te worden, is een jarenlange training vereist. Pathologen kunnen voor dezelfde patiënt totaal verschillende diagnose-uitkomsten geven. Het is dus essentieel om een ​​systeem te ontwikkelen dat pathologen kan helpen.

Deep learning is een van de meest geavanceerde technieken van kunstmatige intelligentie. Met name het vermogen van beeldherkenning is buitengewoon krachtig. Daarom zijn we in staat om een ​​model te ontwikkelen voor histopathologische sectiebeelden op basis van deep learning. WHO-classificatie van CZS-tumoren 2016 heeft moleculaire markers opgenomen als het belangrijkste onderdeel van de diagnose. Daarom zal er een extra model van moleculaire pathologie aan het systeem worden toegevoegd.

Het Huashan-ziekenhuis heeft een van de grootste CZS-tumorbiobanken in China, wat het belangrijkste onderdeel is voor diep leren, omdat het grote hoeveelheden gegevens nodig heeft. De caseload van deze studie kan de representatieve en gezaghebbende van die gegevens aantonen.

Er zullen drie fasen van de studie zijn. Fase 1 en 2 zijn begeleide leerprocessen. Fase 1 is het ontwikkelen van het beste deep learning-model voor histopathologische diagnose van CZS-tumoren. We verwachten dat het eerste model ten minste 70% nauwkeurig zal zijn. De trainingsgegevens (pathologische secties) zullen worden geleverd door de CZS-tumorbiobank van het Huashan Hospital. Ondertussen wordt een micro-positioneringsplatform onderzocht voor het gebruik van beeldverzameling. Aan het einde van fase 1 verwachten we het model (software) en het platform (hardware) te integreren als het volledige diagnosesysteem voor histopathologische beelden. Fase 2 is het ontwerpen van een model voor moleculaire pathologische diagnose van CZS-tumoren. Het model zal worden getraind door een groot aantal gerelateerde moleculaire informatie die uit die pathologische secties is gehaald. Aan het einde van fase 2 verwachten we het fase 1-systeem en het fase 2-model te combineren als het primaire prototype. Fase 3 staat bekend als het leerproces zonder toezicht. Door gebruik te maken van het prototype dat na eerdere fasen is ontwikkeld, zal het systeem klinisch worden gebruikt. Met de instroom van meer patiënten en data gaat het samen met pathologen in het ziekenhuis zijn diagnose stellen. Door de resultaten te vergelijken met pathologen, zal het in staat zijn om zichzelf te leren en de nauwkeurigheid te verbeteren naarmate de tijd verstrijkt. Tegen het einde van fase 3 verwachten we dat het systeem klaar is voor onafhankelijke klinische pathologische diagnosemogelijkheden met een nauwkeurigheid van meer dan 90%.