基于人工智能和病理组学的早癌筛查算法研究

Cancer is the major cause of death in China. The constant growth in morbidity and mortality of cancer poses a severe threat to public health. Early cancer screening plays a very important role in reducing cancer mortality, prolonging the lives of cancer patients, and reducing the economic pressure on cancer treatment. At present, the most common method of cancer diagnosis is pathology analysis. In order to find the small cancerous area where the human eye is not easily perceived, implicit information mining in pathological images with the assistance of artificial intelligence is necessary, so as to detect cancer in time. The focus of this project is to utilize artificial intelligence algorithms from the perspective of histopathology genome and the main research proposal is as follows. 1) Extract high-dimension features in histopathological images by Generative Adversarial Networks. 2) Grade and classify a huge number of histopathological images by Convolutional Neural Networks. 3) Detect early-stage cancer and predict customized prognosis. 4) Generate pathological report from pathological image analysis by Natural Language Understanding algorithm and Recurrent Neural Networks. In this paper, the concept of histopathology genome is put forward for the first time and the integrated process from pathological analysis to accurate prognosis to automatic generation of pathologic report is formed. Hence, pathological analysis can be carried out in a hierarchical manner. Ultimately the purpose of early cancer screening and detection can be achieved so that patients will be treated in time provide with customized prognosis and reduce cancer mortality.

癌症已成为我国疾病死因之首，其发病率和死亡率的攀升对公众健康造成了巨大威胁。早癌筛查在降低癌症死亡率、延长癌症病人生命以及减轻癌症治疗的经济压力方面都有十分重要的意义。目前，癌症诊断的最权威方法是病理切片分析。由于人眼不易察觉微小的癌变区域，人工智能可以辅助深度挖掘病理图像隐含信息，从而及时发现癌症。本项目的研究重点是基于人工智能方法，从病理组学的角度出发，使用无监督的对抗神经网络的特征提取算法提取病理图像的高维特征，使用弱监督卷积神经网络算法对大量病理切片数据做分类和分级，发现早期癌症并进行个性化预后，同时结合自然语言理解算法和循环神经网络的算法根据病理图像分析的结果生成病理报告。本文首次提出病理组学的概念，形成从病理切片分析到精确预后再到自动生成病理报告的一体化流程，使病理分析工作有层次的展开。最终实现早癌筛查的目的，使患者及早就诊，降低癌症死亡率，为病人提供个性化预后。

癌症已成为我国疾病死因之首，其发病率和死亡率的攀升对公众健康造成了巨大威胁。早癌筛查在降低癌症死亡率、延长癌症病人生命以及减轻癌症治疗的经济压力方面都有十分重要的意义。目前，癌症诊断的最权威方法是病理切片分析。由于人眼不易察觉微小的癌变区域，人工智能可以辅助深度挖掘病理图像隐含信息，从而及时发现癌症。本项目的研究重点是基于人工智能方法，从病理组学的角度出发，使用无监督的对抗神经网络的特征提取算法提取病理图像的高维特征，使用弱监督卷积神经网络算法对大量病理切片数据做分类和分级，发现早期癌症并进行个性化预后，同时结合自然语言理解算法和循环神经网络的算法根据病理图像分析的结果生成病理报告。.本项目提出的基于自监督指导的弱监督病理图像语义分割算法，在组织病理和细胞病理上都证明了很好的准确率，接近于全监督的结果，远好于现阶段所有病理图像弱监督学习算法。在肠癌组织病理的验证集上，达到86%的准确率；在宫颈细胞病理的验证集上，达到60%的准确率。已经在浙江大学第一附属医院和国内最大的第三方检验迪安诊断进行临床验证和产品转化，已经在3万个病人进行试验，取得较好的效果。本项目提出的基于可解释性的循环学习的弱监督病理图像实例分割算法，在各种组织病理的细胞分割上证明了很好的准确率，同时接近于全监督的结果。由于较难的任务，目前这个方法的弱监督学习几乎很少研究。此任务的完成，能用于各种组织病理亚型的学习和识别，为肿瘤的诊断，进一步的放化疗，以及药物决策起了重要的辅助作用。此工作已经在中国国家癌症中心中国医学科学院肿瘤医院进行临床验证。.首次提出病理组学的概念，形成从病理切片分析到精确预后再到自动生成病理报告的一体化流程，使病理分析工作有层次的展开。最终实现早癌筛查的目的，使患者及早就诊，降低癌症死亡率，为病人提供个性化预后。项目顺利完成，辅助病理医生各种繁琐工作，提高工作效率，进一步提高肿瘤诊断和治疗的准确率。