Predicción del resultado del cáncer gástrico a partir de imágenes histopatológicas de ganglios linfáticos resecados utilizando aprendizaje profundo

Resumen La estadificación N es un factor determinante para la evaluación pronóstica y la toma de decisiones para estrategias terapéuticas contra el cáncer basadas en etapas. La inspección visual de diapositivas enteras de ganglios linfáticos intactos es actualmente el método principal utilizado por los patólogos para calcular el número de ganglios linfáticos metastásicos (GLMs). Además, incluso en la misma etapa N, el resultado de los pacientes varía drásticamente. Aquí, proponemos un marco de aprendizaje profundo para analizar imágenes de diapositivas enteras de ganglios linfáticos (WSIs) para identificar ganglios linfáticos y regiones tumorales, y luego descubrir la relación entre el área tumoral y el área de GLM (T/GLM). Después de la formación, el rendimiento de detección de tumores de nuestro modelo fue comparable al de patólogos experimentados y logró un rendimiento similar en dos cohortes independientes de validación de cáncer gástrico. Además, demostramos que T/GLM es un factor pronóstico independiente interpretable. Estos hallazgos indican que los modelos de aprendizaje profundo podrían asistir no solo a los patólogos en la detección de ganglios linfáticos con metástasis, sino también a los oncólogos en la exploración de nuevos factores pronósticos, especialmente aquellos que son difíciles de calcular manualmente.