Ontwikkeling en prospectieve validatie van een op digitale pathologie gebaseerd diagnostisch model op basis van kunstmatige intelligentie voor lymfatische metastase bij kanker

Lymfekliermetastase (LNM) is een veel voorkomende vorm van kankermetastase, en nauwkeurige postoperatieve pathologische stadiëring van de lymfeklieren is van groot belang voor verdere behandeling en beoordeling van de prognose. De huidige pathologische evaluatie van lymfeklieren is echter afhankelijk van handmatig onderzoek door pathologen, wat een relatief lage diagnostische efficiëntie heeft en gevoelig is voor gemiste diagnoses voor micro-metastatische laesies.

Daarom moeten onderzoekers een op kunstmatige intelligentie (AI) gebaseerd diagnostisch model ontwikkelen voor het detecteren van pathologische lymfekliermetastasen van kanker op basis van deep learning-algoritmen, en de toepassingswaarde ervan in de klinische praktijk evalueren.

Deze studie is een diagnostische test zonder interventiemaatregelen en is bedoeld om pathologische objectglaasjes van in formaline gefixeerde, in paraffine ingebedde lymfeklieren te verzamelen die zijn gereseceerd bij de ingeschreven patiënten en deze te digitaliseren in hele objectglaasjesbeelden (WSI's). Het AI-model analyseert de WSI's en genereert heatmaps op pixelniveau en diagnostische resultaten op dianiveau (met of zonder LNM). Het routinematige pathologische onderzoek zal zoals gebruikelijk worden uitgevoerd. Deze twee processen zullen elkaar niet hinderen. En als er inconsistentie is in de classificatie op slide-niveau tussen AI en routinematig pathologisch onderzoek, zouden onderzoekers senior pathologen bijeenroepen voor discussie om de uiteindelijke beslissing te nemen (indien nodig zou immunohistochemie worden uitgevoerd). Het eindresultaat wordt aan de patiënt gepresenteerd in de vorm van een pathologisch rapport.