MMRNet:从基因病理图像中组建深度学习模型,以预测子宫内膜癌中不匹配修复缺陷的缺陷

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 (EC) 管理受益于分子分类,用于风险分层和治疗选择.
• 检测不匹配修复 (MMR) 缺陷对于林奇综合征查和在欧洲共同体中识别免疫治疗候选人至关重要.
• 需要可访问和负担得起的工具来确定EC患者的MMR状态.

研究的目的:

• 开发和验证MMRNet,一个深层卷积神经网络,用于预测MMR缺乏的EC,使用血素和素 (H&E) 染色的整片图像.
• 评估MMRNet在内部交叉验证和外部数据集中的性能.
• 评估人机融合方法对诊断准确性的影响.

主要方法:

• 开发MMRNet,一个深层卷积神经网络.
• 培训和内部交叉验证使用EC的H&E染色全幻灯片图像.
• 在三个独立的数据集中进行外部验证.
• 实施一个人机融合战略.

主要成果:

• 在内部验证中,MMRNet实现了0.897的接收器运行特征曲线 (AUROC) 下的平均面积,具有高特异性 (0.949) 和灵敏性 (0.628).
• 外部验证表明,在不同的数据集中,AUROC为0.790,0.807和0.863的性能强.
• 人机融合显著提高了诊断准确度.

结论:

• MMRNet提供了一种有效的计算方法,用于识别需要确认MMR测试的EC病例.
• 该工具显示有潜力帮助选择EC患者接受免疫治疗.
• 这种由人工智能驱动的方法提供了一种可访问的手段,以评估子宫内膜癌中的MMR状态.