深度学习可以直接从子宫内膜癌的整体幻灯片图像中评估微卫星的不稳定性

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:

• 微卫星不稳定性高 (MSI-H) 状态对于预测子宫内膜癌 (EC) 免疫治疗反应至关重要.
• 目前对MSI-H/不匹配修复缺陷 (dMMR) EC的分子测试是耗时和昂贵的,限制了广泛的临床应用.
• 在NCCN的指导方针中,建议针对晚期或复发的MSI-H/dMMR EC.使用特定的免疫疗法.

研究的目的:

• 开发和验证一个高效的深度学习 (DL) 模型,用于直接从H&E染色全幻灯片图像 (WSI) 来评估EC中MSI状态.
• 为EC患者提供一种快速且具有成本效益的替代传统MSI测试.

主要方法:

• 开发了一个深度学习框架,用于分析癌症基因组图谱 (TCGA) 中529名EC患者的千兆像素基因病理图像.
• 模型的性能使用包括F测量,准确性,精度和灵敏度在内的指标进行了评估.
• 通过AI推断时间分析来评估DL模型的效率.

主要成果:

• 在不同EC级别的MSI状态评估中,DL模型实现了高性能:F-测量 (96%),准确性 (94%),精度 (93%),敏感性 (100%) 对于G1G2;以及F-测量 (87%),准确性 (84%),精度 (81%),敏感性 (94%) 对于G3.
• 提出的DL框架显著超过了四种最先进的方法 (p < 0.001).
• 该模型表现出高效率,AI推断时间为每张幻灯片1.03秒.

结论:

• 开发的深度学习模型使用H&E WSIs准确有效地评估子宫内膜癌的MSI状态.
• 这种由人工智能驱动的方法为临床环境提供了可行和实用的解决方案,有可能改善患者对免疫治疗的选择.
• 该模型的速度和准确性使其成为常规EC病理评估的有希望的工具.