本研究隶属于数字经济之新一代人工智能发展战略中重点关注方向--医疗辅助诊断领域，采用深度学习相关算法以解决胃镜活检样本阴阳性判别和组织病理学分级诊断这两个问题为目标，为自动阅片系统的开发提供关键技术支撑，其重大意义具体表现在： （1）实现病理诊断智能化，提高胃癌诊断准确率。据报道，人工判读的假阴性率从6%到60%，灵敏度从30%到87%，特异度从86%到95%[4,5]。我国病理医生的平均诊断准确率是非常低的，平均敏感度约为67.2%，平均特异度约为73.5%。本研究将助力自动阅片系统，准确识别出阳性样本，测量细胞关键参数，客观评价病变程度，辅助医生准确分级诊断，改变医生诊断准确率低的现状。 （2）提高效率，降低病理医生的工作量，使低成本、大面积推广胃癌筛查成为可能。病理诊断的工作繁重、压力大等因素，导致病理医生从业人数。而且病理医生需要专业的培训和大量的阅片，培养周期长达10年以上。本研究将推动自动化阅片，把医生从繁重的体力劳动中解放出来，将有限的精力放在少数疑难杂症或病理研究上。此外，减少了医生的投入，提高了效率，使得大面积癌症筛查能够实现。 （3）挖掘未知病理规律，用于治疗方案评估、新药研发。目前的研究已经发现了一部分病理规律，这些规律形成病理知识，有力的支撑了病理诊断，但还存在许多未知的病理规律。如果能够通过大数据分析，对这些规律进行挖掘并用于病理诊断，将进一步提高病理诊断的准确率。用于新药研发，治疗方案评估，从中总结更有效的治疗方案，探索新的诊断方案。 技术简述： （1）高精度癌症诊断，采用深度神经网络、在线学习和主动学习相结合训练模型，并利用增量学习强化模型，识别图像上的组织类型，为诊断和分析提供数据支撑。（2）病理诊断知识的强化建模，在识别和测量的基础上，结合病理诊断的标注和医生的经验建立组织特征和癌症严重性等级之间的模型，为癌症诊断提供支撑。（3）病理诊断的大数据分析和增量学习，通过病理图片大数据分析，探索癌症所引起的细胞或组织形态学和各种参数的变化，寻找癌症诊断的内在规律，用于进一步提高自动诊断系统性能。

东北林业大学

该项目为储备库项目资源，暂无效益分析内容。