DHC研究院醫(yī)學(xué)圖像AI技術(shù)部承擔(dān)了多項國家癌癥中心的科研合作項目,涉及乳腺癌冰凍病理智能診斷、放療靶區(qū)及危及器官智能勾畫、胸部CT肺結(jié)節(jié)識別篩查等方向,在圖像處理、機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等方面有較豐富的工作經(jīng)驗和技術(shù)積累。
為滿足臨床應(yīng)用需求,探索以特定指標來篩選容易識別錯誤的切片供人工復(fù)閱。需人工審閱的切片數(shù)量占總數(shù)的25%左右,其余切片的腫瘤識別正確率可達100%。
參考病理醫(yī)生的閱片過程進行模型創(chuàng)新,解決原有技術(shù)框架噪音偏高、對于直徑較小病灶識別結(jié)果差的問題。
基于上述算法的冰凍病理圖像智能識別系統(tǒng)已開發(fā)完成并在中國醫(yī)學(xué)科學(xué)院腫瘤醫(yī)院部署上線,實現(xiàn)了數(shù)字病理切片傳輸、腫瘤轉(zhuǎn)移灶智能識別、提示人工閱片及提交審核等功能。
基于上萬張只給出最終診斷結(jié)果的數(shù)字切片,無需醫(yī)生標注腫瘤區(qū)域,訓(xùn)練好的AI模型將能夠自動識別出切片中的腫瘤區(qū)域。
Clinical-grade computational pathology using weakly supervised deep learning on whole slide images., Nat. Med., 25, 1301-1309.
使用活檢組織的數(shù)字化切片作為原始輸入數(shù)據(jù)訓(xùn)練得到的卷積神經(jīng)網(wǎng)絡(luò)模型,能夠?qū)Χ喾N不同的基因突變進行預(yù)測,基因型信息已被證實可以從組織病理學(xué)結(jié)構(gòu)模式中采集提取。
Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nat Med. 2018;24:1559-67.
我公司與飛利浦公司深度合作,以Philips Ultra Fast Scanner高通量亮場掃描儀產(chǎn)品滿足當前組織病理學(xué)的需求,在病理數(shù)字化領(lǐng)域,為用戶搭建高效、安全、可靠的數(shù)字病理整體解決方案。