Prognose des Rezidivrisikos bei Gebärmutterkrebs mit multimodalem Deep Learning – Nature Medicine

Prognose des Rezidivrisikos bei Gebärmutterkrebs mit multimodalem Deep Learning – Nature Medicine

Die PORTEC-1, PORTEC-2 und PORTEC-3 Studien wurden von der Medizinischen Ethikkommission Leiden, Den Haag, Delft sowie von den medizinischen Ethikkommissionen der teilnehmenden Zentren genehmigt. Die Studien wurden gemäß den Prinzipien der Deklaration von Helsinki durchgeführt. Für die retrospektive Nutzung der klinischen Studien und Kohorten wurden ethische Genehmigungen eingeholt. Die Teilnehmer der klinischen Studien lieferten informierte Einwilligungen.

Es wurden Proben von formalinfixiertem Paraffineingebettetem Tumormaterial und klinisch-pathologische Daten von Patienten mit Endometriumkarzinom aus verschiedenen Studien und Kohorten verwendet. Die Studien rekrutierten Frauen mit Endometriumkarzinom unterschiedlicher Risikofaktoren. Die Datensätze wurden für die Datenaufbereitung und Analyse genutzt.

Es wurden verschiedene Trainings- und Testsets erstellt, um ein DL-Modell namens HECTOR zur Vorhersage von fernem Wiederkehren zu entwickeln. Die DL-Modelle wurden auf Patch-Ebene trainiert und analysierten die histologischen Bilder der Tumore der Patienten.

Das entwickelte DL-Modell wurde auf verschiedenen Kohorten und Studien getestet, um die Leistung zu evaluieren. Es wurden auch Vergleiche mit herkömmlichen klinisch-pathologischen Risikofaktoren durchgeführt, um die prognostische Wertigkeit des Modells zu bestimmen.

Die Ergebnisse zeigten eine starke Leistung des DL-Modells HECTOR bei der Vorhersage von fernem Wiederkehren beim Endometriumkarzinom. Das Modell konnte zusätzliche Einblicke in die prädiktiven Faktoren und die Auswirkung von adjuvanter Chemotherapie liefern. Es wurden auch Genexpressionsanalysen durchgeführt, um die Genmutationen und Immunzellinfiltrationen in Zusammenhang mit dem DL-Modell zu untersuchen.