病理組織画像を用いた深層学習による原発性および転移性粘液性卵巣癌の鑑別診断

科学分野:

• 腫瘍学
• デジタル病理学
• 人工知能

背景:

• 原発性粘液性卵巣癌（MOC）と消化器系転移の鑑別は臨床的に困難です。
• 適切な患者治療と管理のためには、正確な鑑別が不可欠です。

研究 の 目的:

• 病理組織画像を用いたMOCの原発部位予測のための深層学習モデルを開発および検証すること。
• 原発性卵巣MOCと転移性MOCを鑑別する上でのモデルの性能を評価すること。

主な方法:

• 病理組織画像を用いた深層学習によるMOC原発部位予測モデル（MOCOPM）の開発。
• 受信者操作特性曲線下面積（AUROC）を用いたニューラルネットワークのトレーニングと検証。
• 3つの病院のコホートを用いた内部検証および外部検証。

主要な成果:

• MOCOPMは高い診断性能を達成し、内部での平均AUROCは0.91でした。
• モデルは外部検証でも優れた性能を示し、AUROCは0.96に達しました。
• 本研究では、内部および外部コホート全体で167例のMOC患者が対象となりました。

結論:

• MOCOPMは、MOC診断における臨床的意思決定を支援するための有望な深層学習ツールです。
• このモデルは、病理組織に基づいて原発性MOCと転移性MOCを効果的に区別します。
• このAI駆動型アプローチは、困難な症例における診断精度を向上させる可能性があります。