基于小样本、多模态数据的肝外胆管癌量化决策研究

面向 ECC 综合性评估对临床决策带来的挑战，本项目围绕 ECC 临床预测中的医学分析与量化决策展开研究。充分考虑 ECC 影像图像人工标注繁琐且差异性大、病例数据样本量较少、数据模态复杂多样、部分模态缺失的特点以及多模态数据与 ECC 综合性评估之间的内在关联，旨在实现以下三方面突破： (1)ECC 多模态影像图像中病灶的精准自动检测与分割； (2)模态缺失下的多模态数据融合与多任务输出预测模型建立； (3)联邦学习框架下多中心、小样本数据的高性能量化预测系统搭建。通过研究并整合以上技术，构建基于大数据和 AI 的 ECC 智能检测和量化决 策体系，用于预测 ECC 病理状况(包括分化程度、淋巴结转移、血管神经侵犯、微血管密度等)、基因分子信息(包括血管内皮生长因子、成纤维细胞生长因子、免疫检查点等)及术后生存情况等，为临床提供全面、定量、无创地评估 ECC 的新方法，也为其它疾病 AI 评估体系的建立提供借鉴。