通过数字病理学中的多分辨率合奏学习预测子宫内膜癌中不匹配修复缺陷状态

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 子宫内膜癌的分子分类依赖于不匹配修复 (MMR) 蛋白质表达测试.
• 不匹配修复缺陷 (MMR-D),由MMR蛋白质 (MLH1,MSH2,MSH6,PMS2) 的损失引起,影响超过30%的子宫内膜癌患者.
• MMR-D 状态对于识别可能受益于免疫治疗的患者至关重要.

研究的目的:

• 开发和评估一种人工智能驱动的方法,用于使用病理整片图像 (WSIs) 预测子宫内膜癌中的MMR状态.
• 评估不同深度学习架构在从WSIs分类MMR缺陷方面的表现.

主要方法:

• 分析了带有MMR蛋白免疫组织化学结果的子宫内膜癌的病理性WSIs.
• 用颜色规范化处理了WSI,并以多个放大 (2.5×,5×,10×) 进行了.
• 集体学习方法结合了三种不同的深度学习网络 (InceptionResNetV2,EfficientNetB2,EfficientNetB3) 的特点,用于MMR分类.

主要成果:

• 整体模型实现了曲线下的整体面积 (AUC) 范围为0.767 - 0.821.
• EfficientNetB2架构显示出最高的预测准确性,AUC为0.821.
• 该研究成功地预测了WSIs的MMR状态,证明了AI在这个诊断领域的潜力.

结论:

• 一种多分辨率集体学习方法可以准确地预测从子宫内膜癌WSIs的MMR分类.
• 这种由人工智能驱动的方法有可能加快对MMR-D患者免疫治疗的临床决策.
• 来自WSIs的自动MMR状态预测可以简化妇科瘤学的诊断工作流程.