Kunstig intelligens nevropatolog

Målet med studien er å utvikle et automatisert patologisk diagnosesystem for CNS-svulster basert på dyp læringsteknikk. Den er designet for å først utvikle den beste dyplæringsmodellen for patologisk diagnose av CNS-svulster, for å forbedre nøyaktigheten av patologisk diagnose. For deretter å brukes klinisk, redusere arbeidsbelastningen og stresset til nevropatologer og oppnå fordelene for CNS-svulstpasienter.

Ulike CNS-svulster inkludert meningeom, gliom, lymfom og andre forskjellige svulster har sine egne forskjellige behandlingsprinsipper og -planer. For eksempel krever høygradig gliom operasjonell reseksjon og postoperativ kjemo-strålebehandling. Operasjonell reseksjon er imidlertid ikke signifikant for å bedre prognose hos lymfompasienter, systematisk kjemoterapi vil bli utført etter spesifikk diagnose basert på biopsi. Derfor, i denne studien, vil et automatisert CNS-tumorpatologisk diagnosesystem bli utviklet for å klassifisere de forskjellige typene av disse svulstene.

For tiden er patologisk diagnose av CNS-svulster basert på histopatologiske egenskaper og molekylær informasjon etter en systematisk analysert av patologer. Nøyaktigheten av diagnosen er veldig avhengig av patologenes erfaring. For å bli en erfaren og kvalifisert patolog krever imidlertid årevis med opplæring. Patologer kan gi et helt annet diagnoseresultat for samme pasient. Derfor er det viktig å utvikle et system som kan hjelpe patologer.

Dyplæring er en av de mest avanserte teknikkene for kunstig intelligens. Spesielt er evnen til bildegjenkjenning ekstremt kraftig. Derfor er vi i stand til å utvikle en modell for histopatologiske snittbilder basert på dyp læring. WHO Classification of CNS Tumors 2016 har inkludert molekylære markører som den viktige delen av diagnosen. Derfor vil det være en ekstra modell for molekylær patologi som skal legges til systemet.

Huashan Hospital har en av de største CNS-tumorbiobankene i Kina, som er nøkkeldelen for dyp læring, siden den trenger store mengder data. Saksmengden til denne studien er i stand til å vise den representative og autoritative for disse dataene.

Det vil være tre stadier av studiet. Trinn 1 og 2 er veiledet læringsprosess. Trinn 1 er å utvikle den beste dyplæringsmodellen for histopatologisk diagnose av CNS-svulster, vi forventer at nøyaktigheten for den første modellen skal oppnå minst 70 %. Treningsdataene (patologiske seksjoner) vil bli levert av Huashan Hospital CNS tumorbiobank. I mellomtiden er en mikroposisjoneringsplattform under utredning for bruk av bildesamling. På slutten av trinn 1 forventer vi å integrere modellen (programvare) og plattformen (maskinvare) som hele diagnosesystemet for histopatologiske bilder. Trinn 2 er å designe en modell for molekylær patologisk diagnose for CNS-svulster. Modellen vil bli trent av en rekke relaterte molekylær informasjon hentet fra de patologiske seksjonene. På slutten av trinn 2 forventer vi å kombinere trinn 1-system og trinn 2-modell som den primære prototypen. Trinn 3 er kjent som den uovervåkede læringsprosessen. Ved å bruke prototypen utviklet etter tidligere stadier, vil systemet brukes klinisk. Med innkomst av flere pasienter og data, sammen med patologer på sykehuset, vil det gi sin diagnose. Ved å sammenligne resultatene med patologer vil den kunne lære seg selv og forbedre nøyaktigheten etter hvert som tiden går. Ved slutten av trinn 3 forventer vi å ha systemet klart for uavhengig klinisk patologisk diagnostiseringsevne med en nøyaktighet større enn 90 %.