从前列腺癌全幻灯片图像开发和验证基于深度学习的微卫星不稳定性预测器

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标志物发现发现

背景情况:

• 微卫星不稳定性高 (MSI-H) 是免疫检查点抑制剂治疗的关键生物标志物.
• 由于患病率和成本较低,MSI状态测试不是前列腺癌的标准.
• 从组织学中预测MSI状态可以优化免疫疗法适用性和林奇综合征查.

研究的目的:

• 从H&E染色全幻灯片图像 (WSIs) 开发和验证一个用于预测前列腺癌中MSI-H状态的计算模型.
• 评估模型在不同染色/扫描程序和时间队列中的通用性.
• 评估模型在不同格里森分数子组中的预测性能.

主要方法:

• 利用大量前列腺癌活检和切除的数据集.
• 通过下一代测序确定MSI状态.
• 在H&E WSIs上训练了基于注意力的多实例学习模型,以预测MSI-H状态.

主要成果:

• 该模型在内部,外部和时间验证集上分别达到0.78,0.72和0.72的AUC值.
• 在各种条件下证明有效的可预测性和概括性.
• 在不同的格里森分数子组中保持了预测准确性.

结论:

• 从H&E WSIs中对MSI-H状态的AI驱动的预测在前列腺癌中是可行的和可概括的.
• 这种方法可以识别可能受益于免疫治疗的患者,并指导进一步的诊断测试.
• 该模型显示了在临床环境中具有成本效益的MSI状态评估的前景.