Neuropatologista Inteligência Artificial

O objetivo do estudo é desenvolver um sistema automatizado de diagnóstico patológico para tumores do SNC com base na técnica de aprendizado profundo. Ele foi projetado para desenvolver, em primeiro lugar, o melhor modelo de aprendizado profundo para diagnóstico patológico de tumores do SNC, a fim de melhorar a precisão do diagnóstico patológico. Então, para ser usado clinicamente, reduza a carga de trabalho e o estresse dos neuropatologistas e obtenha os benefícios para os pacientes com tumores do SNC.

Diferentes tumores do SNC, incluindo meningioma, glioma, linfoma e vários outros tumores, têm seus próprios princípios e planos de tratamento. Por exemplo, glioma de alto grau requer ressecção operacional e quimiorradioterapia pós-operatória. No entanto, a ressecção operacional não é significativa para melhorar o prognóstico em pacientes com linfoma, a quimioterapia sistemática será realizada após diagnóstico específico baseado em biópsia. Portanto, neste estudo, um sistema automatizado de diagnóstico patológico de tumores do SNC será desenvolvido para classificar os diferentes tipos desses tumores.

Atualmente, o diagnóstico patológico de tumores do SNC é baseado em características histopatológicas e informações moleculares após análise sistemática por patologistas. A precisão do diagnóstico depende muito da experiência dos patologistas. No entanto, para se tornar um patologista experiente e qualificado, são necessários anos de treinamento. Os patologistas podem fornecer resultados de diagnóstico completamente diferentes para o mesmo paciente. Assim, é essencial desenvolver um sistema que possa auxiliar os patologistas.

Deep Learning é uma das técnicas mais avançadas de inteligência artificial. Em particular, a capacidade de reconhecimento de imagem é extremamente poderosa. Portanto, somos capazes de desenvolver um modelo para imagens de cortes histopatológicos com base em aprendizado profundo. A Classificação de Tumores do SNC da OMS 2016 incluiu marcadores moleculares como parte importante do diagnóstico. Portanto, haverá um modelo adicional de patologia molecular a ser adicionado ao sistema.

O Hospital Huashan possui um dos maiores biobancos de tumores do SNC na China, que é a parte fundamental para o aprendizado profundo, pois precisa de uma grande quantidade de dados. A carga de casos deste estudo é capaz de mostrar a representatividade e autoridade desses dados.

Serão três etapas do estudo. Os estágios 1 e 2 são processos de aprendizagem supervisionados. O estágio 1 é desenvolver o melhor modelo de aprendizado profundo para diagnóstico histopatológico de tumores do SNC, prevemos que a precisão do primeiro modelo atinja pelo menos 70%. Os dados de treinamento (seções patológicas) serão fornecidos pelo biobanco de tumores CNS do Huashan Hospital. Enquanto isso, uma plataforma de microposicionamento está sendo investigada para o uso de coleta de imagens. Ao final da etapa 1, prevemos integrar o modelo (software) e a plataforma (hardware) como todo o sistema de diagnóstico para imagens histopatológicas. O estágio 2 é projetar um modelo para diagnóstico patológico molecular para tumores do SNC. O modelo será treinado por inúmeras informações moleculares relacionadas extraídas dessas seções patológicas. No final do estágio 2, esperamos combinar o sistema do estágio 1 e o modelo do estágio 2 como o protótipo primário. O estágio 3 é conhecido como o processo de aprendizado não supervisionado. Com a utilização do protótipo desenvolvido após as etapas anteriores, o sistema será utilizado clinicamente. Com a entrada de mais pacientes e dados, juntamente com os patologistas do hospital, dará seu diagnóstico. Ao comparar os resultados com os patologistas, ele poderá se autoaprender e melhorar a precisão com o passar do tempo. Ao final da etapa 3, prevemos ter o sistema pronto para capacidade de diagnóstico clínico patológico independente com acurácia superior a 90%.