Entwicklung und prospektive Validierung eines auf digitaler Pathologie basierenden Diagnosemodells mit künstlicher Intelligenz für die lymphatische Metastasierung von Pankrebs

Lymphknotenmetastasen (LNM) sind eine häufige Art der Krebsmetastasierung, und eine genaue postoperative pathologische Lymphknoteneinstufung ist für die weitere Behandlung und Prognosebeurteilung von großer Bedeutung. Allerdings beruht die aktuelle pathologische Beurteilung von Lymphknoten auf der manuellen Untersuchung durch Pathologen, die eine relativ geringe diagnostische Effizienz aufweist und bei Mikrometastasenläsionen häufig zu Fehldiagnosen führt.

Daher sollen Forscher ein auf künstlicher Intelligenz (KI) basierendes Diagnosemodell zur Erkennung pathologischer Krebs-Lymphknotenmetastasen auf der Grundlage von Deep-Learning-Algorithmen entwickeln und seinen Anwendungswert im realen klinischen Umfeld bewerten.

Bei dieser Studie handelt es sich um einen diagnostischen Test ohne Interventionsmaßnahmen, der die Sammlung pathologischer Objektträger formalinfixierter, in Paraffin eingebetteter Lymphknoten der eingeschlossenen Patienten und deren Digitalisierung in Whole-Slide-Bildern (WSIs) vorsieht. Das KI-Modell analysiert die WSIs und generiert Heatmaps auf Pixelebene und Diagnoseergebnisse auf Folienebene (mit oder ohne LNM). Die routinemäßige pathologische Untersuchung wird wie gewohnt durchgeführt. Diese beiden Prozesse werden sich nicht gegenseitig stören. Und wenn es bei der Klassifizierung auf Folienebene zwischen KI und routinemäßiger pathologischer Untersuchung Unstimmigkeiten gibt, würden die Forscher leitende Pathologen zu einer Diskussion zusammenrufen, um die endgültige Entscheidung zu treffen (bei Bedarf würde eine Immunhistochemie durchgeführt). Das Endergebnis wird dem Patienten in Form eines Pathologieberichts vorgelegt.