मीजॉन्ग किम, फिलिप चिकोन्टवे, ह्युनजॉन्ग गो, जे हून जियोंग, सु-जिन शिन4, सांग ह्यून पार्क*, सू जियोंग नाम*
पृष्ठभूमि: माइक्रोसैटेलाइट अस्थिरता (MSI) कोलोरेक्टल कैंसर में एक चिकित्सकीय रूप से महत्वपूर्ण उपप्रकार है। नैदानिक निदान के लिए डिजिटल पैथोलॉजी में डीप लर्निंग तकनीकों के आशाजनक प्रदर्शन के बावजूद, इन मॉडलों के प्रदर्शन पर क्लिनिकोपैथोलॉजिक कारकों के प्रभाव को काफी हद तक अनदेखा किया गया है।
कार्यप्रणाली: कुल 931 कोलोरेक्टल कैंसर संपूर्ण स्लाइड छवियों (WSIs) का उपयोग करते हुए, हमने एक गहन शिक्षण एल्गोरिदम विकसित और सत्यापित किया और WSI-स्तर MSI संभाव्यता और क्लिनिकोपैथोलॉजिक चर का विश्लेषण किया।
परिणाम: आंतरिक और बाह्य दोनों समूहों में, हमारे डीप लर्निंग मॉडल ने क्रमशः 0.901 और 0.908 का रिसीवर ऑपरेटिंग कर्व (AUROC) के तहत क्षेत्र प्राप्त किया। म्यूसिनस या सिग्नेट रिंग सेल कार्सिनोमा घटक की उपस्थिति ने मॉडल की MSI (HR=19.73, P=0.026) की भविष्यवाणी करने की क्षमता को बढ़ाया। इसके विपरीत, नियोएडजुवेंट कीमोरेडिएशन थेरेपी (HR=0.03, P=0.002) और मेटास्टेसिस (HR=0.01, P=0.016) वाले ट्यूमर ने माइक्रोसैटेलाइट स्थिरता (MSS) से जुड़े होने की बढ़ी हुई संभावना का प्रदर्शन किया।
निष्कर्ष: मॉडल की नैदानिक प्रयोज्यता सुनिश्चित करने के लिए, एमएसआई भविष्यवाणी के लिए गहन शिक्षण-आधारित दृष्टिकोणों को सावधानीपूर्वक मान्य करना आवश्यक है, जिसमें विभिन्न व्यावहारिक क्लिनिकोपैथोलॉजिक पृष्ठभूमियों को ध्यान में रखा जाना चाहिए, जो मॉडल के प्रदर्शन को प्रभावित कर सकती हैं।