Het detecteren van microsatellietinstabiliteit (MSI) van colorectaalcarcinoom (CRC) is van belang omdat MSI-patiënten specifieke respons op behandeling en prognose hebben. Er is behoefte aan een eenvoudig toegankelijke en kosteneffectieve methode voor MSI-detectie. Een studie van Stanford University School of Medicine heeft de waarde onderzocht van een deep learning systeem voor geautomatiseerde MSI-voorspelling op basis van analyse van H&E-gekleurde whole-slide images (WSIs). Dr. Jeanne Shen en collega’s publiceren de studie in The Lancet Oncology.¹

Het deep learning model werd ontwikkeld op basis van 50 WSIs van CRC met MSI en 50 WSIs van microsatelliet-stabiel (MSS) CRC van patiënten van Stanford University. Interne validatie vond plaats in een set van WSIs van vijftien Stanford-patiënten (zeven met MSS en acht met MSI), en externe validatie in een set van WSIs van 402 patiënten met MSS en 77 met MSI in The Cancer Genome Atlas. De AUROC performance voor de interne validatieset was 0,931 (95%-bti 0,771-1,000). In de externe validatie was de negatieve voorspellende waarde 93,7% (95%-bti 90,3-96,2), de sensitiviteit 76,0% (64,8-85,1), en specificiteit 66,6% (61,8-71,2). De performance van het model werd vergeleken met die van vijf ervaren pathologen in een random gekozen subset van veertig WSIs uit de externe dataset (twintig met MSS en twintig met MSI). De AUROC van het model was 0,865 (95%-bti 0,735-0,995) en de gemiddelde AUROC van de pathologen was 0,605 (95%-bti 0,453-0,757).

De onderzoekers concluderen dat voor het voorspellen van MSI op basis van H&E-gekleurde WSIs het model beter presteerde dan ervaren pathologen. Het model zou kunnen worden gebruikt voor triage van patiënten voor bevestigende testen, resulterend in substantiële besparing van kosten.

1.Yamashita R, Long J, Longacre T et al. Deep learning model for the prediction of microsatellite instability in colorectal cancer: a diagnostic study. Lancet Oncol 2021;22:132-141

Summary: Researchers at Stanford (CA) University School of Medicine developed a deep learning model for prediction of microsatellite instability of colorectal cancer from H&E-stained whole-slide images. The model performed better than experienced gastrointestinal pathologists.