Die Studie zeigt, dass eine schwach überwachte Deep-Learning-Methode in der Lage ist, spezifische morphologische Merkmale von hepatozellulärem Karzinom (HCC) und intrahepatischem Cholangiokarzinom (iCCA) aus routinemäßig gefärbten Tumorbiopsien zu extrahieren.
In einem Zwei-Cluster-Modell enthielt Cluster 0 hauptsächlich Karzinomzellen mit reichlichem eosinophilem Zytoplasma, typisch für HCC, während Cluster 1 Karzinomzellen mit drüsiger Architektur und fibröser Stroma, charakteristisch für iCCA, beinhaltete.
Für HCC und iCCA zeigte das Modell eine hohe Übereinstimmung mit der pathologischen Diagnose (96% für HCC, 87% für iCCA). Beim kombinierten hepatozellulär-cholangiozellulärem Karzinom (cHCC-CCA) beobachteten die Autoren einen sehr variablen Anteil beider Cluster-Typen innerhalb eines Schnitts. Obwohl keine spezifischen Merkmale für cHCC-CCA erkannt wurden, könnte die Identifizierung der HCC- und iCCA-Anteile die Diagnose erleichtern.
Die Studie zeigt, dass eine schwach überwachte Deep-Learning-Methode aus routinemäßig gefärbten Biopsien wertvolle Informationen zur Charakterisierung primärer Leberkrebse gewinnen kann, was insbesondere für die seltene Entität des cHCC-CCA relevant sein könnte.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Auré... um arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04983.pdfTiefere Fragen