Deepath-MSI:全スライド画像を用いた大腸がんにおけるマイクロサテライト不安定性の検出のための臨床準備の深層学習モデル

科学分野:

• 腫瘍学
• コンピューター病理学
• 医療における人工知能

背景:

• 微小衛星の不安定性 (MSI) は,大腸がんの免疫療法選択とリンチ症候群の診断において重要である.
• 全スライド画像を用いたMSI予測のための現在のディープラーニングモデルは,高い臨床特異性を達成する上で課題に直面しています.
• パーソナライズされた治療戦略と遺伝子スクリーニングには,MSIの正確な検出が不可欠です.

研究 の 目的:

• 大腸がんにおける敏感で特定のMSI予測のための新しい機能ベースの複数のインスタンス学習モデルであるDeepath-MSIを開発し,検証する.
• 全スライド画像の大規模なマルチセンターデータセットでDeepath-MSIのパフォーマンスを評価する.
• 診断作業を簡素化し,分子検査への依存を減らすための事前スクリーニングツールとしてDeepath-MSIの可能性を評価する.

主な方法:

• 機能ベースの複数のインスタンス学習モデルであるDeepath-MSIの開発.
• 7つの異なる結腸直腸癌のコホートから5070の全スライド画像でモデルを訓練し,テストします.
• モデル性能の検証を独立した現実世界でのコホートで行う.

主要な成果:

• Deepath-MSIはテストセットでAUROC0.98を達成しました.
• このモデルは95%の感度と92%の特異性を95%の感度値で示した.
• 95% の感度と 91% の特異性で,現実世界の検証コホートで一貫した性能が観察されました.

結論:

• Deepath-MSIは,全スライド画像から大腸がんにおけるMSI状態を予測するための非常に敏感で特定の方法を提供します.
• このモデルは,広範な分子検査の必要性を減らす,効果的な事前スクリーニングツールとして機能する可能性があります.
• Deepath-MSIの導入は 診断作業を最適化し 医療費を削減し 結腸直腸がん患者の治療決定を早めることができます