Dyplæring for histopatologisk klassifisering og prognose av gynekologiske glatte muskelsvulster (STUMP)

Glatte muskelsvulster i livmoren som ikke passer til de diagnostiske kriteriene for godartethet (som leiomyomer) eller malignitet (som leiomyosarkomer) kalles STUMP (glattmuskelsvulst med usikkert malignt potensial). En potensiell løsning på dette problemet kan være bruken av prediktive modeller ved bruk av kunstig intelligens (AI) for å hjelpe til med histopatologisk klassifisering og prognose av gynekologiske glatte muskelsvulster. Dyplæring ved bruk av konvolusjonelle nevrale nettverk representerer en spesifikk klasse av maskinlæring, der prediktive modeller trenes ved å vurdere små grupper av piksler i digitale bilder og iterativt identifisere fremtredende trekk. I denne studien tar vi sikte på å utvikle dyplæringsmodeller som er i stand til nøyaktig å underklassifisere og forutsi prognosen for gynekologiske glattmuskelsvulster, basert på histopatologiske trekk ved hematoksylin og eosin (H&E) lysbilder. Målet er å utvikle en diagnostisk og prognostisk algoritme for å hjelpe patologer til å bedre klassifisere og diagnostisere glattmuskelsvulster i livmoren og forutsi deres kliniske forløp.