English Chinese
DHC研究院
冰冻病理人工智能图像识别
医学图像AI技术部

DHC研究院医学图像AI技术部承担了多项国家癌症中心的科研合作项目,涉及乳腺癌冰冻病理智能诊断、放疗靶区及危及器官智能勾画、胸部CT肺结节识别筛查等方向,在图像处理、机器学习、神经网络等方面有较丰富的工作经验和技术积累。

技术框架

image.png

image.pngimage.png

竞赛数据结果
在Camelyon 2016竞赛数据集上,模型AUC达到0.9742。

临床数据结果

image.png

筛选人工智能识别错误或者识别效果较差的图像

为满足临床应用需求,探索以特定指标来筛选容易识别错误的切片供人工复阅。需人工审阅的切片数量占总数的25%左右,其余切片的肿瘤识别正确率可达100%。

image.png

技术升级——模拟病理医生阅片建模

参考病理医生的阅片过程进行模型创新,解决原有技术框架噪音偏高、对于直径较小病灶识别结果差的问题。

image.png

应用实例——乳腺癌前哨淋巴结冰冻病理智能识别

基于上述算法的冰冻病理图像智能识别系统已开发完成并在中国医学科学院肿瘤医院部署上线,实现了数字病理切片传输、肿瘤转移灶智能识别、提示人工阅片及提交审核等功能。

image.png

更多应用场景——无需肿瘤区域标注的多示例学习

基于上万张只给出最终诊断结果的数字切片,无需医生标注肿瘤区域,训练好的AI模型将能够自动识别出切片中的肿瘤区域。

image.png

Clinical-grade computational pathology using weakly supervised deep learning on whole slide images., Nat. Med., 25, 1301-1309.

更多应用场景——通过病理图像预测基因突变

使用活检组织的数字化切片作为原始输入数据训练得到的卷积神经网络模型,能够对多种不同的基因突变进行预测,基因型信息已被证实可以从组织病理学结构模式中采集提取。

image.png

Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning. Nat Med. 2018;24:1559-67.

国际合作

我公司与飞利浦公司深度合作,以Philips Ultra Fast Scanner高通量亮场扫描仪产品满足当前组织病理学的需求,在病理数字化领域,为用户搭建高效、安全、可靠的数字病理整体解决方案。

临床数字病理发展的三个阶段

image.png

病理科与企业的合作

image.png

病理AI产品研发选择三要素

image.png

病理图像大数据平台构想

image.png

TOP