[发明专利]一种应用于非诊断目的的AI识别的胸水单体癌细胞制备方法

说明书

本发明提供一种应用于非诊断目的的AI识别的胸水单体癌细胞制备方法，包括如下步骤：S1、配制肺癌单细胞分离液；S2、制备液基制片；S3、基于AI系统，检测出肺腺癌细胞液基制片的病理扫描图像中的细胞区域，利用VGG 16深度卷积神经网络模型，结合迁移学习技术，对检测出的细胞区域进行胸水单体癌细胞识别。本发明将大多数癌细胞分散成单体，再进行液基细胞制片，既保留其完整性和形态学特征，而且便于进一步检测，本发明应用的AI细胞病理诊断，相应地，在癌细胞生物学研究（如细胞培养、侵袭试验、单细胞分析等）、临床检测、药敏试验以及疗效分析等方面，亦具有良好的应用前景。

技术领域

本发明属于临床医学领域，具体涉及一种应用于非诊断目的的AI识别的胸水单体癌细胞制备方法。

背景技术

病理诊断是现代医学的基石，决定了临床诊断和治疗的方向和预后，病理切片分析是癌症诊断中的金标准，但是即便对于经验丰富的病理医生来说，病理切片的阅片也是一个十分困难复杂的流程。

肺癌居十大恶性肿瘤之首，具有三高现象：发病率高、死亡率高、上升幅度高，是影响人类健康的主要疾病，是21世纪的主要医学问题之一。国内外人群中肺癌的5年生存率仅在5%-15%，晚期肺癌常常会出现胸水，其中含有癌细胞，可以通过细胞病理学来明确诊断。

液基薄层细胞学(liquid-based cytology test,LCT)作为一种改良的细胞病理学制片技术，被广泛应用于脱落细胞学检查，包括胸水脱落细胞学检查。与涂片相比优势：LCT具备统一程序化的标本前处理，去除了干扰诊断的血液，粘液等杂质，保证了薄片质量的一致性。统一程序化的每片单独染色技术，保证染色的一致性，同时杜绝了染色过程中不同样本间细胞的交叉污染。因此LCT技术有助于提高胸水中肺癌细胞检出的阳性率。

然而，临床上引起胸水的疾病很多，任何因素使胸膜腔内液体形成过多或吸收过少、出现胸膜腔内液体增多超出正常水平，都称之为胸腔积液(pleural effusions，简称胸水，PE)。其中良性疾病有心力衰竭、心包炎、肺结核、肺炎、免疫性疾病等；恶性疾病有转移癌、淋巴瘤、间皮瘤等。其中肺癌转移是最常见的原因。由于胸水富含蛋白质导致间皮细胞增生和各种疾病过程中往往伴有各种炎症细胞，导致细胞成分复杂，而且，没有组织形态结构来协助病理诊断，所以临床实践中，胸水细胞病理学诊断极为困难，有经验的胸科细胞病理医师极为稀少，因此，胸水中癌细胞的错漏是一个常见问题，不少病人因此延误治疗。

人工智能（Artificial Intelligence, AI）已成为信息领域最重要的技术革命，各行各业都将受益于它的飞速发展。医学是AI 进军的重要领域之一，我国政府已把医学AI的发展提高到国家战略高度。2017 年工信部印发《促进新一代人工智能产业发展三年行动计划》指出，“推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系，实现智能影像识别、病理分型和智能多学科会诊，推动智能系统在医疗领域的集成应用”。2018年国务院办公厅印发《关于促进“互联网+医疗健康”发展的意见》，提出推进“互联网+”人工智能应用服务，研发基于AI 的临床诊疗决策支持系统，提高医疗服务效率，足见国家对AI 在医学领域发展的重视。

深度学习（Deep Learning，DL）是AI 技术的热门研究，它是一种基于人工神经网络对数据进行特征学习的AI 算法的泛称，其多层堆叠式结构能够组合数据低层特征得到数据的高层特征表达，对于大数据样本、复杂函数模型具有强大的处理能力。在DL 模型中，卷积神经网络（Convolutional Neural Network , CNN）由于在计算机视觉和图像分析方面的卓越表现受到广泛关注。CNN是建立在DL 基础上的自动特征提取方法，通过对输入数据进行多层线性或非线性变换，将数据映射到新空间里表达，通过学习整张图像，可稳定有效地提取图像固有特征。

开展基于深度学习的人工智能细胞病理学诊断模块并转化应用是解决目前国内病理医生数量、质量和经验存在巨大差异，有经验的专科病理医生稀缺，迅速优化临床诊断、明确治疗方向和改善预后的有效策略（注：国内的病理医生只有目标配置的1/10）。