从组织学幻灯片图像中预测子宫内膜癌中不匹配修复状态,使用各种基于深度学习的算法
Mina Umemoto1, Tasuku Mariya1, Yuta Nambu2
1Department of Obstetrics and Gynecology, Sapporo Medical University of Medicine, Sapporo 060-8556, Japan.
Cancers
|May 25, 2024
概括
深度学习使用H&E幻灯片准确地预测子宫内膜癌中不匹配修复 (MMR) 缺陷. 这种人工智能方法为分子分析提供了一个具有成本效益的预选工具.
科学领域:
- 计算病理学计算病理学
- 在瘤学瘤学.
- 数字病理学数字病理学
背景情况:
- 深度学习模型从H&E幻灯片中预测分子癌症概况,主要用于胃癌和结肠癌.
- 不匹配修复 (MMR) 状态对于指导子宫内膜癌治疗至关重要.
- 目前用于确定MMR状态的方法可能昂贵且耗时.
研究的目的:
- 调查深度学习算法在直接从H&E染色子宫内膜癌图像预测MMR状态方面的有效性.
- 开发和验证用于预测子宫内膜癌的MMR状态的计算模型.
主要方法:
- 来自127个病例的H&E染色子宫内膜癌幻灯片图像被数字化.
- 图像被细分成,并通过免疫组织化学确定MMR蛋白 (PMS2,MSH6) 状态并进行注释.
- 包括ResNet50在内的各种神经网络使用注释图像进行训练,以预测MMR状态.
主要成果:
- 在预测MMR状态方面,ResNet50实现了最高的性能,接收器运行特征曲线 (AUROC) 下的面积为0.91.
- 该模型在根据数字幻灯片的MMR熟练程度/缺陷对子宫内膜癌病例的分类方面表现出显著的准确性.
结论:
- 深度学习模型可以从H&E图像中准确预测子宫内膜癌的MMR状态.
- 这种由人工智能驱动的方法显示出作为一个具有成本效益的预选工具的潜力,可能会减少立即基因分析的需要.
- 该方法可能适用于预测各种癌症类型中的其他分子配置文件.
