Εισαγωγή

Η μικροσκοπική αξιολόγηση του καρκινικού ιστού από τους παθολογοανατόμους αποτελεί έναν από τους ακρογωνιαίους λίθους των διαγνωστικών και θεραπευτικών αποφάσεων για τους καρκινοπαθείς. Ωστόσο, τα τρέχοντα πρωτόκολλα αξιολόγησης, που αναφέρονται ως συστήματα αξιολόγησης του καρκίνου, περιορίζονται σε χαρακτηριστικά που μπορούν να εξαχθούν από το ανθρώπινο μάτι, αφήνοντας τεράστιο όγκο πληροφοριών που σχετίζονται με τον καρκινικό ιστό αχρησιμοποίητες. Τα τελευταία χρόνια η μηχανική μάθηση, τουλάχιστον στον Ευρωπαϊκό χώρο, έχει δείξει ότι έχει έχει την ικανότητα να βελτιώσει την διαγνωστική απόδοση και την αποτελεσματικότητα των παθολογοανατόμων κατά την εφαρμογή των σημερινών πρωτοκόλλων ταξινόμησης.

Σκοπός

Η παρούσα εργασία αποτελεί μια διεπιστημονική ερευνητική συνεργασία για ανάπτυξη για πρώτη φορά – εξ όσων γνωρίζουμε - στην Ελλάδα ενός συστήματος τεχνητής νοημοσύνης για την ανίχνευση με μεγαλύτερη ακρίβεια καρκινικών κυττάρων από δείγματα βιοψιών καρκίνου του πνεύμονα. Με την ανάλυση των εικόνων που προήλθαν από το παθολογοανατομικό τμήμα του Γενικού Νοσοκομείου «Η Σωτηρία» και κάνοντας χρήση τροποποιημένων σύγχρονων μοντέλων μηχανικής μάθησης (όπως deep learning), έχουμε την δυνατότητα για καλύτερη ανίχνευση και κατηγοριοποίηση των καρκινικών κυττάρων.

Μέθοδοι

Η συγκεκριμένη υπολογιστική προσέγγιση εκτός του αποτελεσματικότερου προσδιορισμού καρκινικών κυττάρων μπορεί να χρησιμοποιηθεί για την ανταλλαγή κλινικής γνώσης (μέσω της τηλεϊατρικής) καθώς και για την ανίχνευση άλλων κυτταρικών προτύπων που η θέση τους μπορεί να σχετίζεται με την επιθετικότητα του όγκου.

Αποτελέσματα

Τα αποτελέσματα της εργασίας είναι συννημένα στο επόμενο αρχείο word.

Συμπεράσματα

Έχει δημιουργηθεί μία αυτοματοποιημένη ανάλυση ιστοπαθολογικών δειγμάτων καρκίνου του πνεύμονα μέσω μίας γρήγορης και αμερόληπτης διαδικασίας. Ανάπτυξη Λογισμικό που δίνει στον χρήστη σαν έξοδο αποτέλεσμα της επεξεργασμένης εικόνας η οποία αποθηκεύεται σε μία βάση δεδομένων.

 

Abstract ID
AA05

Συγγραφέας