Abstract 6175: Deep-Learning-basierte Überlebensvorhersage beim hepatozellulären Karzinom mittels Ganzschnittbildern

Abstract Es besteht ein zunehmender Bedarf an Klassifikatoren, um die Prognose bei Patienten mit hepatozellulärem Karzinom (HCC) effektiv zu stratifizieren. Die Ableitung interpretierbarer prognostischer Merkmale mit Deep-Learning(DL)-basierten prognostischen Modellen aus pathologischen Bildern bleibt eine Herausforderung. In dieser Studie entwickelten wir einen rechnergestützten Ansatz auf DL-Basis, um das Gesamtüberleben (OS) von HCC-Patienten aus formalinfixierten, paraffineingebetteten histopathologischen Ganzschnittbildern vorherzusagen. Ein DL-Modell zur Klassifizierung von guter und schlechter Prognose wurde an insgesamt 460 Patienten mit 2 unabhängigen Kohorten vom Seoul St. Mary’s Hospital entwickelt. Das primäre Ergebnis war OS. Der Trainingsdatensatz (SSM1, n = 292) umfasste HCC-Patienten, die sich einer chirurgischen Resektion unterzogen hatten. Der Klassifikator wurde anschließend separat am zweiten HCC-Datensatz (SSM2, n = 168) getestet. Die Fläche unter der Kurve (AUC) für die ROC-Kurven betrug 0,850 bzw. 0,781 für die SSM1- und SSM2-Datensätze. Zusätzlich versuchten wir, ein DL-Modell zur OS-Vorhersage basierend auf klinisch-pathologischen Merkmalen wie Edmondson-Steiner-Grad, pT-Stadium, vaskulärer Invasion, Ki-67-Index und zytokeratin 19 immunhistochemischer Expression zu etablieren. Ein Random-Forest-Modell wurde zur Klassifizierung der guten und schlechten Prognosegruppen angewandt, die AUROCs für den Random Forest betrugen 0,705 für den SSM1-Datensatz und sind damit schlechter als die der DL-Vorhersage. Diese Erkenntnisse deuten darauf hin, dass DL-Techniken zur Verfeinerung der prognostischen Vorhersage bei HCC-Patienten angewendet werden können. Zitationsformat: Sung Hak Lee, Hyun-Jong Jang. Deep learning-based survival prediction for hepatocellular carcinoma using whole slide images abstract. In: Proceedings of the American Association for Cancer Research Annual Meeting 2024; Part 1 (Regular Abstracts); 2024 Apr 5-10; San Diego, CA. Philadelphia (PA): AACR; Cancer Res 2024;84 (6Suppl): Abstract nr 6175.