Метастазы в лимфатические узлы (LNM) являются важнейшим прогностическим фактором при раке желудка, однако часто недооцениваются из-за ограничений традиционных методов диагностики. Исследователи разработали модель глубокого обучения для прогнозирования статуса лимфогенных метастазов по гистопатологическим изображениям первичных опухолей желудка.

В ретроспективное исследование включили 929 пациентов с раком желудка из трех независимых когорт двух медицинских центров. Модель глубокого обучения, основанная на архитектуре Clustering-constrained Attention Multiple Instance Learning, была обучена и валидирована для прогнозирования LNM по гистологическим препаратам целых срезов первичных опухолей.

Особое внимание уделили способности модели предсказывать скрытые опухолевые клетки (OTCs) у пациентов, первоначально стадированных как pN0, и оценке прогностической ценности модели.

Модель продемонстрировала высокую производительность в прогнозировании лимфогенных метастазов. Особенно важно, что модель также предсказывала наличие скрытых опухолевых клеток у пациентов, изначально классифицированных как pN0.

Пациенты со стадией pN0, но с предсказанными скрытыми опухолевыми клетками, имели значительно худшие показатели выживаемости по сравнению с пациентами pN0 без OTCs (P = 0,003). Показатель, генерируемый моделью, оказался независимым прогностическим фактором для пациентов с раком желудка.

Разработанная модель глубокого обучения обеспечивает точное прогнозирование лимфогенных метастазов и скрытых опухолевых клеток по гистологическим препаратам первичных опухолей желудка. Это делает ее ценным инструментом для персонализированных клинических стратегий и новым биомаркером для прогностической оценки пациентов с раком желудка.