Meejeong Kim, Philip Chikontwe, Heounjeong Go, Jae Hoon Jeong, Su-Jin Shin4, Sang Hyun Park*, Soo Jeong Nam*
Contexto: A instabilidade de microssatélites (MSI) é um subtipo clinicamente significativo no câncer colorretal. Apesar do desempenho promissor das técnicas de aprendizado profundo em patologia digital para diagnóstico clínico, o impacto dos fatores clinicopatológicos no desempenho desses modelos tem sido amplamente negligenciado.
Metodologia: Usando um total de 931 imagens de lâminas inteiras (WSIs) de câncer colorretal, desenvolvemos e verificamos um algoritmo de aprendizado profundo e analisamos a probabilidade de MSI no nível de WSI e as variáveis clinicopatológicas.
Resultados: Em coortes internas e externas, nosso modelo de aprendizado profundo atingiu uma Área Sob a Curva Operacional do Receptor (AUROC) de 0,901 e 0,908, respectivamente. A presença de um componente de carcinoma de células mucinosas ou de anel de sinete aumentou a capacidade do modelo de prever MSI (HR=19,73, P=0,026). Por outro lado, os tumores submetidos à terapia de quimiorradiação neoadjuvante (HR=0,03, P=0,002) e aqueles com metástase (HR=0,01, P=0,016) demonstraram uma probabilidade aumentada de estarem associados à Estabilidade de Microssatélites (MSS).
Conclusão: Para garantir a aplicabilidade clínica do modelo, é fundamental validar meticulosamente abordagens baseadas em aprendizado profundo para predição de MSI, levando em consideração diversos contextos clinicopatológicos práticos que podem impactar o desempenho do modelo.