数字病理基础的人工智能模型预测胃食道结腺癌中的微卫星不稳定性

科学领域:

• 癌症学
• 数字病理学
• 人工智能

背景情况:

• 微卫星不稳定性 (MSI) 对于预测胃食道结 (GEJ) 腺癌的治疗反应至关重要.
• 准确确定MSI-H状态对于指导GEJ癌症的治疗策略至关重要.

研究的目的:

• 开发和验证用于预测GEJ腺癌患者的MSI-H状态的深度学习模型.
• 用H&E染色的病态标本进行非侵入性MSI-H识别.

主要方法:

• 使用212名GEJ腺癌患者的416个H&E染色片开发了一个人工智能 (AI) 模型.
• 进行了补丁级模型 (简单的Vit,ResNet18) 的训练和测试,随后构建了一个全幻灯片图像 (WSI) 级AI模型.
• 在WSI层面的模型中,深度学习功能与六个机器学习算法相结合.

主要成果:

• 多层感知器 (MLP) 模型获得了最高的性能,AUC为93. 3%,灵敏度为0. 841,特异性为0. 952.
• 决策曲线分析 (DCA) 证实了WSI级H&E分析对MSI-H预测的临床实用性.
• 开发的AI模型在测试队列中识别MSI-H的准确性很强.

结论:

• 使用数字病理学的AI模型显示了在GEJ腺癌中预测MSI-H的巨大潜力.
• 这种方法为MSI-H状态的确定提供了一个有希望的,非侵入性的方法,具有潜在的临床应用.
• 这项研究突显了使用H&E幻灯片在GEJ癌症中进行AI驱动的MSI-H预测的可行性.