Core Concepts
Ein tiefer Lernansatz, der Convolutional Neural Networks zur Extraktion histologischer Merkmale und einen Vision Transformer zur Aggregation dieser Merkmale und Klassifizierung von Endometriumkarzinomen in Hoch- und Niedriggrad-Kategorien verwendet.
Abstract
Diese Studie stellt EndoNet vor, ein Modell, das Convolutional Neural Networks zur Extraktion histologischer Merkmale und einen Vision Transformer zur Aggregation dieser Merkmale und Klassifizierung von Endometriumkarzinomen in Hoch- und Niedriggrad-Kategorien verwendet.
Das Modell wurde auf 929 digitalisierten Hämatoxylin-Eosin-gefärbten Whole-Slide-Bildern von Endometriumkarzinomen aus Hysterektomie-Fällen am Dartmouth-Health-Krankenhaus trainiert. Es klassifiziert diese Bilder in die Kategorien Niedriggrad (Endometrioid Grad 1 und 2) und Hochgrad (endometrioides Karzinom FIGO-Grad 3, seröses Karzinom, Karzinosarkom).
EndoNet wurde auf einem internen Testdatensatz von 110 Patienten und einem externen Testdatensatz von 100 Patienten aus der öffentlichen TCGA-Datenbank evaluiert. Das Modell erreichte einen gewichteten durchschnittlichen F1-Score von 0,91 (95% KI: 0,86–0,95) und eine AUC von 0,95 (95% KI: 0,89–0,99) auf dem internen Test sowie 0,86 (95% KI: 0,80–0,94) für den F1-Score und 0,86 (95% KI: 0,75–0,93) für die AUC auf dem externen Test.
Stats
"Die Studie schätzt, dass in den USA im Jahr 2023 etwa 65.950 neue Fälle von Endometriumkarzinomen diagnostiziert werden und die Krankheit etwa 12.550 Todesfälle verursachen wird."
"Endometriumkarzinome werden in Typ I (niedriggradig (Grad 1 oder 2) endometrioid) mit in der Regel guter Prognose und Typ II (Grad 3 endometrioid, serös, klarzellig, Karzinosarkom, undifferenziert/dedifferenziert) mit relativ schlechter Prognose eingeteilt."
Quotes
"Die Klassifizierung von Endometriumkarzinomen allein anhand der Histologie zeigt Raten der Beobachterübereinstimmung zwischen 10% und 20% und bis zu 26% bis 37% bei hochgradigen Tumoren."
"Automatisierte Bildanalyse mit tiefen Lernmethoden kann schnelle, genaue und konsistente Ergebnisse liefern."