Deepath-MSI:使用全幻灯片成像检测结直肠癌中的微卫星不稳定性的临床准备深度学习模型

科学领域:

• 癌症学
• 计算病理学
• 医学的人工智能

背景情况:

• 微卫星不稳定性 (MSI) 对结直肠癌免疫疗法选择和林奇综合征诊断至关重要.
• 目前使用全幻灯片图像进行MSI预测的深度学习模型在实现高临床特异性方面面临挑战.
• 准确的MSI检测对于个性化治疗策略和遗传查至关重要.

研究的目的:

• 开发和验证Deepath-MSI,这是一种基于特征的多个实例学习模型,用于对结直肠癌的敏感和特定的MSI预测.
• 评估Depath-MSI在一个大规模的,多中心数据集的整片图像的性能.
• 评估Deepath-MSI作为预先查工具的潜力,以简化诊断工作流程,减少对分子测试的依赖.

主要方法:

• 开发基于特征的多实例学习模型Deepath-MSI.
• 在7个不同结直肠癌群体的5070张整片图像上训练和测试模型.
• 在独立的现实世界队列中验证模型性能.

主要成果:

• 在测试组中,Deepath-MSI获得了0.98的AUROC.
• 该模型在95%的灵敏度值下显示出95%的灵敏度和92%的特异性.
• 在现实世界验证队列中观察到一致的性能,95%的灵敏度和91%的特异性.

结论:

• Deepath-MSI提供了一种高度敏感和特定的方法,用于从整片图像中预测结肠直肠癌的MSI状态.
• 该模型有可能作为有效的预选工具,减少对广泛分子测试的需求.
• 实施Deepath-MSI可以优化诊断工作流程,降低医疗保健成本,并加快结肠直肠癌患者的治疗决策.