Колоректальный рак - третье по распространенности онкологическое заболевание в мире, на долю которого приходится порядка 10% всех случаев рака, и вторая по значимости причина смертности от рака во всем мире.

Одним из ключевых и наиболее эффективных способов диагностики колоректального рака является патогистологическое исследование образца ткани, взятого у пациента (биопсии). Такое исследование может подтвердить наличие у пациента онкологии на ранней стадии и позволит врачам быстро и эффективно провести лечение пациента, избегая дальнейшего развития и осложнений заболевания.

В цифровой патоморфологии для исследования ткани используются гистосканы – цифровые изображения образца на клеточном уровне. Врач-патологоанатом проводит визуальный анализ гистоскана для обнаружения онкологических клеток. В рамках данного кейса вам предстоит сделать нейросеть, которая будет помогать врачам классифицировать патчи гистологических сканов на опухолевые и не опухолевые.

В рамках кейса вам будет необходимо обучить нейросеть для анализа данных изображений, которая будет классифицировать ткань на опухолевую и не опухолевую. Данные для обучения мы предлагаем вам взять из открытых источников.

Тестирование будет проводиться на закрытом датасете, который собран, размечен и подготовлен Институтом клинической морфологии и цифровой патологии и Лабораторией поддержки принятия врачебных решений.

На первый взгляд задача может выглядеть несложной для специалистов в области Data Science. Однако вам предстоит решать нетривиальные задачи из-за специфических форматов данных, используемых в патоморфологии, размера гистосканов, которые занимают несколько гигабайт каждое, а также отдельным вызовом станет повышение скорости работы вашего решения.

! Если вы впервые сталкиваетесь с патоморфологическими данными – мы настоятельно рекомендуем заранее ознакомиться с OpenSlide (https://openslide.org/) – основной библиотекой для работы с гистосканами в коде, а также с QuPath (https://qupath.github.io/) – пользовательским ПО для быстрого открытия и просмотра гистосканов и их разметки.

В качестве решения вам будет необходимо предоставить репозиторий с кодом и веса обученной модели, а также справку с описанием своего решения и использованных для обучения данных.

В репозитории должен быть код для обучения и запуска решения. Код решения должен выдавать csv-файл с предиктами модели. Формат будет уточнен на старте кейса.

Для определения победителя мы будем тестировать разработанные модели на закрытом датасете. Будут измеряться метрики качества классификации, а также скорость работы решения. Конкретные метрики будут объявлены на старте кейса.

Провайдером кейса является Лаборатория поддержки принятия врачебных решений на базе технологий ИИ Сеченовского Университета и компании «Интеллектуальная аналитика» и Институт клинической морфологии и цифровой патоморфологии Сеченовского Университета. Специалисты Лаборатории и Института профессионально разрабатывают системы поддержки принятия врачебных решений в области патоморфологии.