Невропатолог с искусственным интеллектом

Целью исследования является разработка автоматизированной системы патологической диагностики опухолей ЦНС на основе метода глубокого обучения. Он предназначен для того, чтобы сначала разработать лучшую модель глубокого обучения для патологической диагностики опухолей ЦНС, чтобы повысить точность патологической диагностики. Затем для клинического использования уменьшите нагрузку и стресс невропатологов и получите преимущества для пациентов с опухолями ЦНС.

Различные опухоли ЦНС, включая менингиому, глиому, лимфому и другие различные опухоли, имеют свои собственные принципы и планы лечения. Например, глиома высокой степени злокачественности требует оперативной резекции и послеоперационной химиолучевой терапии. Тем не менее, оперативная резекция не имеет существенного значения для улучшения прогноза у пациентов с лимфомой, систематическая химиотерапия будет проводиться после уточнения диагноза на основе биопсии. Поэтому в этом исследовании будет разработана автоматизированная система патологической диагностики опухолей ЦНС для классификации различных типов этих опухолей.

В настоящее время патологическая диагностика опухолей ЦНС основывается на гистопатологических характеристиках и молекулярной информации после систематического анализа патологоанатомами. Точность диагноза во многом зависит от опыта патологоанатомов. Однако, чтобы стать опытным и квалифицированным патологоанатомом, требуются годы обучения. У одного и того же пациента патологоанатомы могут поставить совершенно разный диагноз. Таким образом, важно разработать систему, которая может помочь патологоанатомам.

Глубокое обучение — одна из самых передовых технологий искусственного интеллекта. В частности, способность распознавания изображений чрезвычайно сильна. Таким образом, мы можем разработать модель изображений гистопатологических срезов на основе глубокого обучения. Классификация ВОЗ опухолей ЦНС 2016 года включила молекулярные маркеры как важную часть диагностики. Следовательно, в систему будет добавлена ​​дополнительная модель молекулярной патологии.

Больница Хуашань имеет один из крупнейших биобанков опухолей ЦНС в Китае, который является ключевой частью глубокого обучения, поскольку ему требуется большой объем данных. Нагрузка этого исследования может показать репрезентативность и авторитетность этих данных.

Будет три этапа исследования. Этап 1 и 2 - процесс контролируемого обучения. Этап 1 заключается в разработке лучшей модели глубокого обучения для гистопатологической диагностики опухолей ЦНС, мы ожидаем, что точность первой модели достигнет не менее 70%. Данные для обучения (патологические срезы) будут предоставлены биобанком опухолей ЦНС больницы Хуашань. Тем временем изучается платформа микропозиционирования для использования коллекции изображений. В конце этапа 1 мы предполагаем интегрировать модель (программное обеспечение) и платформу (аппаратное обеспечение) в единую диагностическую систему для гистопатологических изображений. Этап 2 заключается в разработке модели молекулярно-патологической диагностики опухолей ЦНС. Модель будет обучаться на большом количестве связанной молекулярной информации, извлеченной из этих патологических участков. В конце этапа 2 мы предполагаем объединить систему этапа 1 и модель этапа 2 в качестве основного прототипа. Этап 3 известен как неконтролируемый процесс обучения. Используя прототип, разработанный после предыдущих этапов, система будет использоваться в клинических условиях. С поступлением большего количества пациентов и данных вместе с патологоанатомами в больнице он поставит свой диагноз. Сравнивая результаты с патологоанатомами, он сможет самообучаться и повышать точность с течением времени. К концу этапа 3 мы ожидаем, что система будет готова к самостоятельной клинико-патологической диагностике с точностью более 90%.