Utvikling av et kunstig intelligenssystem for intelligent patologisk diagnose og prediksjon av terapeutisk effekt basert på multimodal datafusjon av vanlige svulster og store infeksjonssykdommer i luftveiene ved bruk av dyplæringsteknologi.

Hovedmålene er som følger:

1. Å etablere en medisinsk stordataplattform for multimodal informasjonsfusjon av vanlige svulster og store infeksjonssykdommer (lungekreft/lungeknuter, tuberkulose og COVID-19) basert på eksisterende patologiske bildefunksjoner og klinisk multi-omics informasjonsdatabase: medisinsk stordataplattform støtter innhenting av pasientens kliniske elektroniske medisinske journaler (inkludert rutinemessig klinisk deteksjon), digital del av patologisk bildedata i full visning, medisinsk bildebehandling (CT, MR, ultralyd, nukleærmedisin, etc.), flere omics-data ( genom, transkriptom og metabolom, proteomikk) omikkdata, etiologi, patologi og tilhørende grafiske datarapporter og multimodale medisinske behandlingsdata. Vi tar sikte på å realisere lagring, deling, fusjonsdatabehandling, personvern og sikkerhetstilsyn av multimodale og tverrskala biomedisinske big data. Vårt arbeid vil åpne opp sentrale forretningsprosesser og koblinger på tvers av regioner, på tvers av sykehus, mellom ulike terminaler, mellom sykehus og leger, og mellom avdelinger, for å fremme kontinuerlig dataakkumulering og kunnskapsutfelling i sykehus og fremme medisinsk samarbeid.
2. Å lage en multimodal informasjonsfusjonsdatabase med patologiske funksjoner, bildefunksjoner, multiomics (patologisk, genomisk, transkriptom, metabolom, proteomikk, etc.), og klinisk informasjon om pasienter i forskjellige stadier av lungekreft/lungeknuter, tuberkulose og COVID-19. Databaseskalaen inkluderer multimodale data om minst 600 lungekreft/lungeknuter, 200 tuberkulose og 200 COVID-19 pasienter. I tillegg vil det være mer enn 10 biomarkører som er signifikant relatert til diagnostisering og behandling av pasienter med lungekreft/lungeknuter, tuberkulose og COVID-19 ble gravd ut gjennom assosiasjonsanalyse, som gir parametere for konstruksjon av kunstig intelligensmodell.
3. Vi vil bruke kunstig intelligens-teknologi for å lage den multimodale medisinske big data-kryssanalyseteknologien og de ovennevnte sykdomsindividualiserte modellene for nøyaktig diagnose og kurativ effektprediksjon. For å løse de tre nøkkelproblemene ved multimodal datafusjonsgruvedrift, som ubalansert, liten prøvestørrelse og dårlig tolkbarhet, vil vi etablere en ARTIFICIAL Intelligence-gjenkjenningsalgoritme for bildebilder og patologiske bilder, og bruke bildebehandling og dyp læring teknologier for å utvinne dybdevisuelle trekk ved bildedata og patologiske data på flere nivåer. I tillegg vil vi bruke bioinformatikkanalysealgoritmer for å utføre molekylær nettverksutvinning og funksjonell analyse av molekylære markører på nivå med flere omics-teknologier (patologisk, genomisk, transkriptom, metabolom, proteom, etc.).