Neuropatolog sztucznej inteligencji

Celem pracy jest opracowanie zautomatyzowanego systemu diagnostyki patologicznej guzów OUN w oparciu o technikę głębokiego uczenia. Ma on na celu przede wszystkim opracowanie najlepszego modelu głębokiego uczenia się do patologicznej diagnostyki guzów OUN, aby poprawić dokładność diagnozy patologicznej. Następnie do zastosowania klinicznego, zmniejsz obciążenie pracą i stres neuropatologów i uzyskaj korzyści dla pacjentów z guzami OUN.

Różne guzy OUN, w tym oponiak, glejak, chłoniak i inne różne nowotwory, mają swoje własne, różne zasady i plany leczenia. Na przykład glejak o wysokim stopniu złośliwości wymaga operacyjnej resekcji i pooperacyjnej chemio-radioterapii. Jednak resekcja operacyjna nie ma istotnego znaczenia dla poprawy rokowania u chorych na chłoniaka, systematyczna chemioterapia zostanie przeprowadzona po określeniu rozpoznania na podstawie biopsji. Dlatego w tym badaniu zostanie opracowany zautomatyzowany system patologicznej diagnostyki nowotworów OUN w celu sklasyfikowania różnych typów tych nowotworów.

Obecnie diagnostyka patologiczna guzów OUN opiera się na charakterystyce histopatologicznej i informacjach molekularnych po systematycznej analizie przez patologów. Dokładność diagnozy w dużej mierze zależy od doświadczenia patologów. Jednak aby stać się doświadczonym i wykwalifikowanym patologiem, trzeba lat szkolenia. Patolodzy mogą podać zupełnie inny wynik diagnozy dla tego samego pacjenta. Dlatego konieczne jest opracowanie systemu, który może pomóc patologom.

Deep learning to jedna z najbardziej zaawansowanych technik sztucznej inteligencji. W szczególności zdolność rozpoznawania obrazu jest niezwykle potężna. Dzięki temu jesteśmy w stanie opracować model obrazów przekrojów histopatologicznych oparty na głębokim uczeniu. Klasyfikacja WHO nowotworów OUN 2016 uwzględniła markery molekularne jako ważną część diagnozy. W związku z tym do systemu zostanie dodany dodatkowy model patologii molekularnej.

Szpital Huashan posiada jeden z największych biobanków guzów OUN w Chinach, który jest kluczowym elementem głębokiego uczenia, ponieważ potrzebuje dużej ilości danych. Obciążenie przypadkami tego badania jest w stanie pokazać reprezentatywność i miarodajność tych danych.

Badania będą miały trzy etapy. Etap 1 i 2 to nadzorowany proces uczenia się. Etap 1 to opracowanie najlepszego modelu głębokiego uczenia do diagnostyki histopatologicznej guzów OUN, przewidujemy dokładność pierwszego modelu na poziomie co najmniej 70%. Dane treningowe (skrawki patologiczne) zostaną dostarczone przez biobank nowotworów OUN szpitala Huashan. W międzyczasie badana jest platforma do mikropozycjonowania w celu wykorzystania gromadzenia obrazów. Pod koniec etapu 1 przewidujemy integrację modelu (oprogramowania) i platformy (sprzętu) jako całego systemu diagnostycznego dla obrazów histopatologicznych. Etap 2 to zaprojektowanie modelu molekularnej diagnostyki patologicznej guzów OUN. Model będzie trenowany na podstawie wielu powiązanych informacji molekularnych uzyskanych z tych patologicznych skrawków. Pod koniec etapu 2 przewidujemy połączenie systemu etapu 1 i modelu etapu 2 jako głównego prototypu. Etap 3 jest znany jako proces uczenia się bez nadzoru. Wykorzystując opracowany po poprzednich etapach prototyp, system znajdzie zastosowanie kliniczne. Wraz z napływem większej liczby pacjentów i danych, wraz z patologami w szpitalu, postawi diagnozę. Porównując wyniki z wynikami uzyskanymi przez patologów, będzie w stanie samodzielnie się uczyć i poprawiać dokładność w miarę upływu czasu. Pod koniec etapu 3 przewidujemy, że system będzie gotowy do samodzielnej klinicznej diagnostyki patologicznej z dokładnością większą niż 90%.