Die Studie untersucht die Vorhersage des MSI-Status anhand histologischer Daten mithilfe von Deep Learning in drei externen Kohorten. Es wurden digitale Vollblattbilder von H&E-gefärbten histopathologischen Geweben von vier Patientenkohorten gesammelt: DACHS, TCGA, APHP chirurgische Resektion und APHP Biopsie. Die DACHS-Kohorte wurde verwendet, um ein Deep-Learning-Modell für die Vorhersage des MSI-Status zu trainieren, mit einer AUROC von 0,94. Die Modelle erzielten eine Sensitivität von 0,87, Spezifität von 0,88, ein NPV von 0,98 und ein PPV von 0,47 für die MSI-Vorhersage. Externe Validierung wurde durch die Verwendung von drei externen Kohorten durchgeführt, mit ähnlichen Ergebnissen in der TCGA-Kohorte.
Die APHP-Kohorten zeigten eine erfolgreiche Vorhersage des MSI-Status, vergleichbar mit kommerziellen Methoden. Für die APHP-Biopsie-Kohorte gab es jedoch Probleme bei der Vorhersage, insbesondere bei Lebermetastasenproben. Die Modelle erreichten auch eine ähnliche Genauigkeit bei der Vorhersage von POLE-Mutationen in den drei Kohorten. Dies legt nahe, dass das Deep-Learning-Modell in der Lage ist, MSI und POLE-Mutationen zu identifizieren, was auf gemeinsame morphologische Merkmale hinweist.
Die Analyse der morphologischen Muster, die mit MSI und POLE-Mutationen verbunden sind, zeigt, dass das Modell robust gegenüber störenden Faktoren wie Stiftmarkierungen ist. Hochaufmerksamkeitsbereiche konzentrieren sich hauptsächlich auf Tumorgewebe. Darüber hinaus wurden charakteristische Merkmale wie extrazellulärer Schleim und medulläres Wachstumsmuster mit hohen MSI-Vorhersagen assoziiert. Die Ergebnisse zeigen auch, dass das Modell bei der Identifizierung von POLE-Wildtyp-MSI-Misclassification eine hohe Trefferquote aufweist. Insgesamt unterstreichen die Erkenntnisse die Wirksamkeit des Deep-Learning-Ansatzes zur Vorhersage des MSI-Status aus Histologieschnitten und ermöglichen die Identifizierung von POLE-Mutationen.