Análisis multi-cancérico de la pantalla de MSI histoquímica basada en imágenes digitales de histología.

La inestabilidad de microsatélites, una indicación genética de la disfunción del sistema de reparación de pareo de ADN, proporciona opciones de tratamiento prometedoras.

Nuestro estudio tuvo como objetivo detectar la mutación con imágenes de sección completa (WSI) y descubrir el modelo preentrenado de aprendizaje profundo más efectivo para clasificar las diapositivas diagnósticas entre alta inestabilidad de microsatélites (MSI-H) y estabilidad de microsatélites (MSS). Los datos WSI recuperados del conjunto de datos público fueron procesados para entrenar y evaluar el modelo de categorización MSI. Detectamos MSI en niveles de diapositiva para cáncer colorrectal (CRC), adenocarcinoma gástrico (STAD), cuerpo uterino, y adenocarcinoma endometrial (UCEC). Los modelos entrenados con un solo tipo de tejido fueron evaluados con el conjunto de datos de prueba del correspondiente tejido y posteriormente con el conjunto de datos de prueba de otros tipos de tejidos (evaluación intertejido).

Finalmente, se construyó otro modelo entrenado con múltiples tipos de tejidos para predecir el conjunto de datos de prueba de cada tipo de tejido. Nuestros modelos lograron valores AUC de 0,93, 0,84 y 0,79 en TCGA-CRC, TCGA-STAD y TCGA-UCEC, respectivamente. Observamos que un modelo entrenado en el tejido tumoral correspondiente demuestra una mayor precisión, especialmente en comparación con aquellos entrenados en otros tipos de tejidos tumorales. En el modelo combinado entrenado en múltiples tejidos, observamos resultados diversos sobre cuál modelo se prioriza dependiendo del tipo de cáncer.

Estos resultados demuestran que los modelos entrenados en múltiples tejidos tienen el potencial para discernir características generalizables a diferentes tipos de cáncer.