基于深度学习的前列腺癌全切片图像微卫星不稳定性预测器的开发与验证
计算机视觉与模式识别
2023-10-16 v1 人工智能
机器学习
摘要
微卫星高度不稳定（MSI-H）是免疫检查点抑制剂治疗的肿瘤无关生物标志物。然而，前列腺癌中 MSI 状态并未常规检测，部分由于低患病率与检测成本。因此，从苏木精-伊红（H&E）染色全切片图像（WSIs）预测 MSI 状态可识别最有可能受益于确诊检测并符合免疫治疗资格的前列腺癌患者。本研究分析了转至本机构的连续前列腺癌患者去标识记录中的前列腺穿刺活检与手术切除标本。其 MSI 状态由下一代测序确定。截止日期前的患者被划分为算法开发集（n=4015，MSI-H 1.8%）与配对验证集（n=173，MSI-H 19.7%），后者由每样本两张连续切片组成，一张内部染色扫描，另一张外部站点完成。截止日期后的患者构成时间验证集（n=1350，MSI-H 2.3%）。训练基于注意力度的多示例学习模型从 H&E WSIs 预测 MSI-H。该 MSI-H 预测器在内部制备、外部制备与时间验证集上分别取得受试者工作特征曲线下面积值 0.78（95% CI [0.69-0.86]）、0.72（95% CI [0.63-0.81]）与 0.72（95% CI [0.62-0.82]）。尽管 MSI-H 状态与 Gleason 评分显著相关，模型在各 Gleason 评分亚组中仍具预测性。总之，我们在大规模真实世界常规 H&E 切片队列上开发并验证了基于 AI 的 MSI-H 诊断模型，其有效泛化至外部染色扫描样本与时间独立验证队列。该算法有潜力引导前列腺癌患者接受免疫治疗，并识别继发于林奇综合征的 MSI-H 病例。
引用
@article{arxiv.2310.08743,
title = {Development and Validation of a Deep Learning-Based Microsatellite Instability Predictor from Prostate Cancer Whole-Slide Images},
author = {Qiyuan Hu and Abbas A. Rizvi and Geoffery Schau and Kshitij Ingale and Yoni Muller and Rachel Baits and Sebastian Pretzer and Aïcha BenTaieb and Abigail Gordhamer and Roberto Nussenzveig and Adam Cole and Matthew O. Leavitt and Rohan P. Joshi and Nike Beaubier and Martin C. Stumpe and Kunal Nagpal},
journal= {arXiv preprint arXiv:2310.08743},
year = {2023}
}