Deepath-MSI: un modelo de aprendizaje profundo listo para la clínica para la detección de inestabilidad de...

Área de la Ciencia:

• En el campo de la oncología
• Patología computacional
• La inteligencia artificial en la medicina

Sus antecedentes:

• La inestabilidad de los microsatélites (MSI) es crítica para la selección de la inmunoterapia del cáncer colorrectal y el diagnóstico del síndrome de Lynch.
• Los modelos actuales de aprendizaje profundo para la predicción de IMS que utilizan imágenes de diapositivas completas se enfrentan a desafíos para lograr una alta especificidad clínica.
• La detección precisa de MSI es esencial para las estrategias de tratamiento personalizadas y el cribado genético.

Objetivo del estudio:

• Desarrollar y validar Deepath-MSI, un nuevo modelo de aprendizaje de múltiples instancias basado en características para la predicción sensible y específica de MSI en el cáncer colorrectal.
• Evaluar el rendimiento de Deepath-MSI en un conjunto de datos multicéntrico a gran escala de imágenes de diapositivas completas.
• Evaluar el potencial de Deepath-MSI como herramienta de detección previa para agilizar los flujos de trabajo de diagnóstico y reducir la dependencia de las pruebas moleculares.

Principales métodos:

• Desarrollo de Deepath-MSI, un modelo de aprendizaje de múltiples instancias basado en características.
• Entrenamiento y prueba del modelo en 5070 imágenes de diapositivas completas de siete cohortes de cáncer colorrectal.
• Validación del rendimiento del modelo en una cohorte independiente del mundo real.

Principales resultados:

• Deepath-MSI logró un AUROC de 0,98 en el conjunto de pruebas.
• El modelo demostró una sensibilidad del 95% y una especificidad del 92% a un umbral de sensibilidad del 95%.
• Se observó un rendimiento consistente en la cohorte de validación en el mundo real con una sensibilidad del 95% y una especificidad del 91%.

Conclusiones:

• Deepath-MSI ofrece un método altamente sensible y específico para predecir el estado de MSI en el cáncer colorrectal a partir de imágenes de diapositivas completas.
• El modelo tiene el potencial de servir como una herramienta de preselección eficaz, reduciendo la necesidad de pruebas moleculares extensas.
• La implementación de Deepath-MSI podría optimizar los flujos de trabajo de diagnóstico, reducir los costos de atención médica y acelerar las decisiones de tratamiento para los pacientes con cáncer colorrectal.