DHC研究院醫(yī)學(xué)圖像AI技(jì )術部承擔了多(duō)項國(guó)家癌症中(zhōng)心的科(kē)研合作(zuò)項目，涉及乳腺癌冰凍病理(lǐ)智能(néng)診斷、放療靶區(qū)及危及器官智能(néng)勾畫、胸部CT肺結節識别篩查等方向，在圖像處理(lǐ)、機器學(xué)習、神經網絡等方面有(yǒu)較豐富的工(gōng)作(zuò)經驗和技(jì )術積累。

為(wèi)滿足臨床應用(yòng)需求，探索以特定指标來篩選容易識别錯誤的切片供人工(gōng)複閱。需人工(gōng)審閱的切片數量占總數的25%左右，其餘切片的腫瘤識别正确率可(kě)達100%。

參考病理(lǐ)醫(yī)生的閱片過程進行模型創新(xīn)，解決原有(yǒu)技(jì )術框架噪音偏高、對于直徑較小(xiǎo)病竈識别結果差的問題。

基于上述算法的冰凍病理(lǐ)圖像智能(néng)識别系統已開發完成并在中(zhōng)國(guó)醫(yī)學(xué)科(kē)學(xué)院腫瘤醫(yī)院部署上線(xiàn)，實現了數字病理(lǐ)切片傳輸、腫瘤轉移竈智能(néng)識别、提示人工(gōng)閱片及提交審核等功能(néng)。

基于上萬張隻給出最終診斷結果的數字切片，無需醫(yī)生标注腫瘤區(qū)域，訓練好的AI模型将能(néng)夠自動識别出切片中(zhōng)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(yòng)活檢組織的數字化切片作(zuò)為(wèi)原始輸入數據訓練得到的卷積神經網絡模型，能(néng)夠對多(duō)種不同的基因突變進行預測，基因型信息已被證實可(kě)以從組織病理(lǐ)學(xué)結構模式中(zhōng)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(gōng)司與飛利浦公(gōng)司深度合作(zuò)，以Philips Ultra Fast Scanner高通量亮場掃描儀産(chǎn)品滿足當前組織病理(lǐ)學(xué)的需求，在病理(lǐ)數字化領域，為(wèi)用(yòng)戶搭建高效、安(ān)全、可(kě)靠的數字病理(lǐ)整體(tǐ)解決方案。