Interpreteerbaar ‘deep learning’- model om de moleculaire classificatie van endometriumcarcinoom te voorspellen op basis van hematoxylineeosinegekleurde coupes

SAMENVATTING

In deze studie van Fremond et al. is onderzocht of door middel van ‘deep learning’ een ‘artificial intelligence’ (AI)-model (‘im4MEC’) zou kunnen worden ontwikkeld waarmee de moleculaire classificatie van een endometriumcarcinoom kan worden vastgesteld aan de hand van een gedigitaliseerde HE-coupe van de tumor.¹ Hiervoor werd vanuit verschillende studies een studiecohort samengesteld van 2.028 patiënten met endometriumcarcinoom van wie de moleculaire classificatie en een representatieve HE-coupe beschikbaar was. Naast de voorspellende waarde is, aan de hand van de 20 meest concordante cases, op tumor- en celniveau ook gekeken naar de morfologische aspecten op basis waarvan im4MEC de keus tussen de verschillende moleculaire klassen maakt. Tot slot is de prognostische waarde van de ware moleculaire klasse vergeleken met de prognostische waarde van de moleculaire klasse op basis van im4MEC.

De gemiddelde AUROC van im4MEC van de vier klassen was 0,874 (95%-BI 0,856–0,893) en 0,876 in de onafhankelijke testset. De AUROC van de vier verschillende moleculaire klassen was 8,849, 0,844, 0,883 en 0,928 voor respectievelijk POL-Emut, MMRd, NSMP en p53abn. Voor wat betreft de morfo-moleculaire correlatie bleek onder andere dat het aantal ontstekingscellen positief bijdroeg aan concordante classificatie door im4MEC als POLE-mut en MMR en negatief aan concordante classificatie als p53mut en NSMP. Evenzo bleek bijvoorbeeld dat nucleaire atypie sterk bijdroeg aan de concordante classificatie door im4MEC van p53abn. Voor wat betreft prognose bleek er gering verschil in de prognose van de ware POLE en de im4MEC-POLE.

(NED TIJDSCHR ONCOL 2023;20:188–9)