Udvikling og prospektiv validering af en digital patologi-baseret kunstig intelligens diagnostisk model for pan-cancer lymfatisk metastase

Lymfeknudemetastase (LNM) er en almindelig kræftmetastasemetode, og nøjagtig postoperativ patologisk lymfeknudeinddeling er af stor betydning for yderligere behandling og prognosevurdering. Den nuværende patologiske evaluering af lymfeknuder er imidlertid afhængig af manuel undersøgelse af patologer, som har en relativt lav diagnostisk effektivitet og er tilbøjelig til manglende diagnose for mikrometastatiske læsioner.

Derfor skal efterforskerne udvikle en kunstig intelligens (AI)-baseret diagnostisk model til påvisning af patologisk cancerlymfeknudemetastaser baseret på deep learning-algoritmer og evaluere dens anvendelsesværdi i de kliniske omgivelser i den virkelige verden.

Denne undersøgelse er en diagnostisk test uden interventionsforanstaltninger, der planlægger at indsamle patologiske objektglas af formalinfikserede, paraffinindlejrede lymfeknuder fra de indskrevne patienter og digitalisere dem til helglasbilleder (WSI'er). AI-modellen vil analysere WSI'erne og generere varmekort på pixelniveau og diagnostiske resultater på diasniveau (med eller uden LNM). Den rutinemæssige patologiske undersøgelse vil blive udført som normalt. Disse to processer vil ikke forstyrre hinanden. Og hvis der er inkonsistens i slide-niveau klassificering mellem AI og rutinemæssig patologisk undersøgelse, ville efterforskere indkalde senior patologer til diskussion for at træffe den endelige beslutning (immunohistokemi ville blive udført om nødvendigt). Det endelige resultat vil blive præsenteret for patienten i form af en patologisk rapport.