基于数字组织学图像的组织病理性MSI查的多种癌症分析
Jin-Ok Lee1, Chang Yeon Kim2, Sejoon Lee3,4,5
1Department of Health Science and Technology, Graduate School of Convergence Science and Technology, Seoul National University, Seoul, Korea.
PloS one
|September 15, 2025
概括
使用全幻灯片图像 (WSI) 检测高微卫星不稳定性 (MSI-H) 显示出癌症治疗的前景. 深度学习模型有效地对MSI-H和微卫星稳定 (MSS) 幻灯片进行分类,组织特定模型的表现优于一般模型.
科学领域:
- 计算病理学计算病理学
- 基因组学就是基因组学.
- 人工智能在瘤学中的应用
背景情况:
- 微卫星不稳定性 (MSI) 是癌症治疗选择的关键生物标志物.
- 使用数字病理学和深度学习检测MSI提供了一种新的方法.
研究的目的:
- 通过使用全幻灯片图像 (WSI) 评估深度学习模型来对高微卫星不稳定性 (MSI-H) 和微卫星稳定性 (MSS) 进行分类.
- 确定最有效的预训练深度学习模型,用于在不同类型的癌症中检测MSI.
主要方法:
- 来自公共数据集的全幻灯片图像 (WSI) 用于训练和评估MSI分类模型.
- 模型对单个组织类型 (结肠直肠,胃,子宫/子宫内膜癌) 进行训练,并根据相应的和跨组织数据集进行评估.
- 开发了一种多组织训练模型,以评估跨癌症类型的概括性.
主要成果:
- 这些模型实现了高AUC值:结肠直肠癌 (CRC) 的0.93,胃腺癌 (STAD) 的0.84,子宫体和子宫内膜腺癌 (UCEC) 的0.79.
- 在特定瘤组织上训练的模型与在不同组织上训练的模型相比,显示出更高的准确性.
- 经过多组织训练的模型表明,在各种癌症类型中具有可泛化特征检测的潜力,尽管结果因癌症类型而异.
结论:
- 深度学习模型可以有效地从WSI中检测MSI状态,帮助选择治疗.
- 组织特定的模型提供了高准确度,而多组织模型则显示出更广泛的适用性.
- 对多组织模型的进一步研究可以提高MSI在各种癌症中检测的概括性.
