Точная диагностика и стратификация риска имеют центральное значение для оптимального ведения пациентов с меланомой. Современные системы стадирования American Joint Committee on Cancer (AJCC) недостаточно стратифицируют пациентов с клинически значимым метастатическим потенциалом. Мануальная гистопатологическая интерпретация усугубляет это ограничение, особенно при диагностически неоднозначных образованиях на границе доброкачественных и злокачественных поражений, где согласованность между патологами крайне вариабельна.

В обзоре рассматривается, как вычислительная патология и сверточные нейронные сети (CNN) могут улучшить гистопатологическую диагностику и стратификацию риска при меланоме. Авторы анализируют опубликованные модели глубокого обучения (DL), применяемые к H&E whole-slide images (WSI) для диагностики меланомы, классификации подтипов и прогнозирования выживаемости. Обсуждается интеграция с транскриптомными и пространственными протеомными данными.

Вычислительная патология, основанная на глубоком обучении, может надежно идентифицировать меланомы с риском рецидива и прогрессирования. Эти выводы могут быть усилены интеграцией пространственного молекулярного профилирования, которое также обеспечивает механистическую объяснимость DL-моделей, основанных на H&E.

Однако ограничения в разнообразии датасетов, внешней валидации, интерпретируемости моделей и обобщаемости между популяциями и протоколами получения изображений в настоящее время препятствуют клиническому внедрению.

Мультимодальные вычислительно-патологические конвейеры, ориентированные на исходы и интегрирующие H&E WSI с пространственным мульти-омиксным профилированием, предлагают биологически обоснованную и масштабируемую основу для персонализированной стратификации риска при меланоме I–III стадий. Такой подход потенциально может стандартизировать диагностику, выявить новые прогностические признаки и определить индивидуализированные стратегии лечения.