Opis projektu
Koherentna mikroskopia ramanowska w diagnostyce nowotworów
Zespół finansowanego ze środków Unii Europejskiej projektu CHARM zamierza rozszerzyć możliwości cyfrowej histopatologii nowotworów poprzez wprowadzenie do użytku technologii pozwalającej na pomiar składu molekularnego tkanki i charakteryzowanie guzów nowotworowych. W ramach prac badacze opracują urządzenie medyczne oparte na szerokopasmowej koherentnej mikroskopii ramanowskiej połączonej z modułem opartym na sztucznej inteligencji, uczeniu głębokim, narzędziach statystycznych i uczeniu maszynowym. Dzięki wykorzystaniu sztucznej inteligencji lekarze otrzymają dostęp do szybkiego i niezawodnego systemu wspomagania decyzji w zakresie diagnostyki nowotworów oraz doboru spersonalizowanego leczenia. Nowatorski system pozwoli na przeprowadzanie analiz niebarwionych tkanek, umożliwi identyfikację guzów nowotworowych z dokładnością przekraczającą 98 % oraz przewidywanie rozpoznania nowotworu z dokładnością wyższą niż 90 %.
Cel
The CHARM project aims to radically transform the cancer diagnosing process and bring the emerging field of digital histopathology to the next level, introducing a novel technology for tissue analysis, capable to measure the molecular composition of the patient tissue samples and to recognize and classify the tumor in a completely label/stain-free way. The instrument, integrated with artificial intelligence (AI), will offer to histopathologists a reliable, fast and low-cost Clinical Decision Support System (CDSS) for cancer diagnosis and personalized cancer therapy. We will develop a Class C, (IVDR, In-Vitro Diagnostic Regulation) medical device consisting of a turnkey low-cost broadband Coherent Raman Scattering (CRS) microscope (enabled by our patented graphene-based fiber laser technology), named the Chemometric Pathology System (CPS), integrating an AI module based on deep learning, statistics and machine learning. The CPS will be capable of automatically analyzing unstained tissues, providing fast and accurate tumour identification (differentiating normal vs neoplastic tissues) with accuracy >98% and final tumour diagnosis prediction (differentiating and grading histologic subtypes) with accuracy >90%, thus offering to the histopathologist a decision tree compatible with existing clinical protocols but with biomolecular-based objectivity and reduced time to result (TRL6). We will develop a robust business case for the application and ensure the project continuation to higher TRLs and the final market entrance. This proposal builds on the results of the ERC POC project GSYNCOR.
Dziedzina nauki
- natural sciencesphysical sciencesopticsmicroscopy
- medical and health sciencesclinical medicineoncology
- medical and health scienceshealth sciencespersonalized medicine
- natural sciencescomputer and information sciencesartificial intelligencemachine learningdeep learning
- natural sciencesphysical sciencesopticslaser physics
Słowa kluczowe
Program(-y)
- HORIZON.3.1 - The European Innovation Council (EIC) Main Programme
Temat(-y)
Zaproszenie do składania wniosków
HORIZON-EIC-2021-TRANSITION-CHALLENGES-01
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-EIC - HORIZON EIC GrantsKoordynator
37126 Verona
Włochy
Organizacja określiła się jako MŚP (firma z sektora małych i średnich przedsiębiorstw) w czasie podpisania umowy o grant.