Die Studie beschreibt einen tiefen Lernalgorithmus zur Detektion und semiquantitativen Analyse von STAS (Spread through Air Spaces) in H&E-gefärbten LUAD (Lungenadenokarzinom)-Gewebeschnitten. Das Modell wurde entwickelt, um die Diagnose und Behandlung von LUAD zu unterstützen und wurde auf drei verschiedene Patientendatensätze angewendet. Der Algorithmus wurde anhand von 249 Gewebeschnitten aus dem ACHNJMU Datensatz trainiert, während der THTCM und TCGA-LUAD Datensätze für die Validierung verwendet wurden. Die WSIs wurden von Pathologen manuell markiert und für die Modellentwicklung vorbereitet. Drei Kachelauflösungen wurden festgelegt, um den Empfehlungen der Pathologen und Modellspezifikationen gerecht zu werden. Der Deep-Learning-Algorithmus wurde mit verschiedenen Architekturen trainiert und evaluiert, wobei MobileNetV3 als am besten geeignet für die STAS-Erkennung herausragte. Der Algorithmus wurde auf WSI-Ebene angewendet und zeigte gute Ergebnisse bei der Identifizierung von STAS-Strukturen.
Die semi-quantitativen STAS-spezifischen Scores wurden eingeführt, um die Prognose von LUAD-Patienten zu verbessern. Besonders der T10S-Score erwies sich als ausgezeichneter Prädiktor für das Rückfallrisiko und zeigte höhere Werte in der Prädiktion als STAS bei Patienten auf. In einer klinischen Subgruppenanalyse erwies sich T10S als unabhängiger Risikofaktor für das Wiederauftreten bei Patienten mit frühem LUAD-Stadium. Die AI-unterstützte STAS-Erkennung und Prognose lieferte vielversprechende Ergebnisse zur Verbesserung der klinischen Diagnose und Risikostratifizierung. Durch die Implementierung des Modells auf einem Workstation-System und die Einführung eines AI-unterstützten diagnostischen Workflows konnten Ärzte in der STAS-Erkennung und -Diagnose unterstützt werden. Die Kombination von klinischen und pathologischen Informationen ermöglichte eine präzisere Prognose und Risikostratifizierung von LUAD-Patienten.
Die Studie zeigt, dass der MobileNetV3-Algorithmus effektiv zur Erkennung von STAS in LUAD-Gewebeschnitten eingesetzt werden kann und durch die semi-quantitative Analyse mit dem T10S-Score eine verbesserte Prognose der Patienten ermöglicht. Die AI-unterstützte STAS-Diagnose hat das Potenzial, die klinische Praxis bei der Behandlung von LUAD-Patienten zu verbessern und die Genauigkeit der Diagnose zu steigern.