在最近的一项研究中， Wesleyan 大学（美国康涅狄格州）和嘉泉大学 Gil 医院（韩国仁川）的研究人员开发了一个深度学习框架，利用子宫内膜癌患者的数字病理切片来预测错配修复缺陷（ MMR-D ）状态。

研究结果表明，所提出的深度学习模型可以从常规病理切片的全切片图像（ WSI ）中预测一种重要的分子生物标志物，如果在更大规模上得到验证，就可以实现精准肿瘤学。

“我们的研究结果表明，这种多分辨率集成学习方法可以从病理 WSI 中快速预测 MMR 状态，有助于快速确定合适的治疗方案，特别是对 MMR- D 子宫内膜癌患者使用免疫疗法。”该研究的通讯作者、嘉泉大学医学院助理教授 Jisup Kim 博士说。

该报告发表在《 Journal of ImagingInformatics in Medicine 》上，文章题为“ PredictingMismatch Repair Deficiency Status in Endometrial Cancer throughMulti-Resolution Ensemble Learning in Digital Pathology ”。

子宫内膜癌是一种影响子宫内膜的恶性肿瘤，是一种具有不同分子亚型和治疗反应的异质性疾病。一种以 MMR-D 为特征的亚型已被证明对免疫治疗有良好的反应。这是因为 MMR-D 导致微卫星不稳定性（ MSI ），使肿瘤更具免疫原性，因此适合免疫治疗。

然而，目前主要基于免疫组化（ IHC ）和分子检测的 MMR-D 诊断方法耗时且资源密集，往往会延误治疗。

一组研究人员开发了一种用于 MMR-D 检测的自动化解决方案。使用深度学习模型对苏木精和伊红（ H&E ）染色组织的数字病理切片进行训练。通过利用人工智能的力量，研究人员旨在创造一种诊断工具，可以简化对有资格接受免疫治疗的患者的识别，从而减少诊断延误并改善治疗结果。

“这项研究是由越来越多的子宫内膜癌分子分类的 MMR 状态常规检测过程推动的。 MMR-D 影响了超过 30% 的子宫内膜癌患者，可以显著影响治疗决策，特别是对 MMR-D 患者的免疫治疗。” Kim 博士解释道。

研究人员从嘉泉大学 Gil 医学中心收集了 325 名子宫内膜癌患者的 1168 例 WSI 数据。病理学家根据四种关键 MMR 蛋白（ MLH1 、 MSH2 、 MSH6 和 PMS2 ）的免疫组化结果，手动标记图像为 MMR-D 阳性或阴性。

为了解释 H&E 染色强度的变化，该团队采用了一个基于 CycleGAN 的网络来标准化在多个放大倍数（ 2.5 ´ 、 5 ´ 和 10 ´ ）下提取的 WSI 图块的颜色分布。这种多分辨率方法使模型能够捕获广泛的结构模式和精细的细胞细节，从而提高其预测精度。

三种不同的深度学习架构，分别是 InceptionResNetV2 ， EfficientNetB2 和 EfficientNetB3 ，在标准化的图块上进行训练，每种架构都从不同的放大级别捕获特征。集成模型通过利用每种架构的优势来聚合这些多尺度表示，以增强预测能力。

“该研究最具创新性的方面是在数字病理学中应用多分辨率集成学习，来准确预测 MMR 状态。我们为每个放大级别使用了三种不同的网络，并通过集成学习将这些网络集成在一起，以预测 MMR 状态。利用来自 WSI 不同放大级别的信息，这种方法允许综合分析多种分辨率的特征，以准确预测 MMR 状态。” Kim 博士解释说。

当在 234 个 WSI 的保留测试集上进行评估时，三个模型的受试者工作特征曲线（ AUC ）范围下的总面积为 0.767 至 0.821 ，表明在全切片水平上预测 MMR-D 的性能良好。

基于 EfficientNetB2 架构的集成模型在三种模型中表现最好，其 AUC 为 0.821 （ 95% 置信区间 [CI]: 0.763-0.879 ），用于预测全切片水平的 MMR-D 状态。此外，该模型的准确率为 0.778 （ 95%CI:0.718-0.838 ），灵敏度为 0.827 （ 95% CI:0.769-0.885 ），特异性为 0.764 （ 95%CI ： 0.712-0.816 ）。

Kim 博士指出：“这种高 AUC 表明该模型在区分 MMR-D 和 MMR 熟练病例，以及正确识别可能受益于免疫治疗的患者方面具有巨大的潜力。”

“虽然这项研究取得了重大成果，但它也突出了未来研究的领域。关于该模型在来自不同机构的数据集之间的通用性，及其在临床环境中的可解释性的问题仍然存在。未来的研究将侧重于用外部数据集验证该模型，并进一步完善该方法，以提高临床适用性和理解力。” Kim 博士承认。

此外，作者建议结合人类可解释的特征提取技术，以提高模型在临床环境中的透明度和鲁棒性。

展望未来，研究人员设想将他们的方法扩展到子宫内膜癌的其他分子亚型，并探索其对不同癌症类型的适用性。最终，他们的目标是为实现精准肿瘤学做出贡献，在精确和自动化的生物标志物检测指导下，定制治疗方案，使临床医生能够在正确的时间为正确的患者提供正确的治疗。

Kim 博士表示，通过直接从常规病理切片中自动检测 MMR-D 状态，临床医生可以快速识别出适合免疫治疗的子宫内膜癌患者，而无需额外的分子检测。这种简化的过程可以加快治疗决策，从而可能改善患者的预后。