Vorhersage des Outcomes von Magenkrebs anhand von histopathologischen Bildern resezierter Lymphknoten mittels Deep Learning

Zusammenfassung Die N-Staging ist ein entscheidender Faktor für die prognostische Bewertung und Entscheidungsfindung für stufenbasierte therapeutische Strategien bei Krebs. Die visuelle Inspektion von Ganzschnittpräparaten intakter Lymphknoten ist derzeit die Hauptmethode, die von Pathologen verwendet wird, um die Anzahl der metastatischen Lymphknoten (MLNs) zu berechnen. Darüber hinaus variiert das Outcome der Patienten selbst im gleichen N-Stadium dramatisch. Hier schlagen wir ein Deep-Learning-Framework zur Analyse von Ganzschnittbildern (WSIs) von Lymphknoten vor, um Lymphknoten und Tumorregionen zu identifizieren und dann das Verhältnis von Tumorfläche zu MLN-Fläche (T/MLN) zu ermitteln. Nach dem Training war die Tumorerkennungsleistung unseres Modells mit der erfahrener Pathologen vergleichbar und erzielte ähnliche Leistungen in zwei unabhängigen Validierungskohorten für Magenkrebs. Darüber hinaus zeigen wir, dass T/MLN ein interpretierbarer unabhängiger prognostischer Faktor ist. Diese Ergebnisse deuten darauf hin, dass Deep-Learning-Modelle nicht nur Pathologen bei der Entdeckung von Lymphknoten mit Metastasen unterstützen, sondern auch Onkologen bei der Erforschung neuer prognostischer Faktoren, insbesondere solcher, die schwer manuell zu berechnen sind.