gms | German Medical Science

Einleitung: Der Folsäurerezeptor (FR1) und Glykosylphosphatidylinositol-Transamidase (GPI-T) sind als potenzielle Marker für unterschiedliche Tumorentitäten bekannt. Unser Ziel ist es, die potenzielle diagnostische und prognostische Verbindung zwischen FR1, GPI-T und Prostatakarzinom (PCa) mittels KI-Analyse zu erforschen.

Methode: Bilder wurden von Gewebeschnitten von PCa-Patienten nach der Analyse mittels Immunfluoreszenztechniken erhalten, wobei der Schwerpunkt hauptsächlich auf der Fluoreszenzlokalisierung des FR1 und der Fluoreszenzintensität des GPI-T lag. Die Klassifizierung basiert auf FR1 oder GPI-T für gesunde Abschnitte, PCa-Abschnitte sowie Gleason 6 und Gleason 9. Wir haben auch zwei weitere Klassen hinzugefügt: fusionierte GPI-T und FR1 Bilder und separate Bilder von GPI-T und FR1 - kombiniertes Set. Für das kombinierte Set wurden die Bilder pro Klasse verdoppelt und die Trainingszyklen auf 200 reduziert, während andere Trainingsparameter konstant gehalten wurden. Eine Verwechslungsmatrix wurde verwendet, um die Leistung des Modells zu bewerten.

Ergebnisse: In unserer Proof-of-Concept-Studie wurde die Fähigkeit des neuronalen Netzwerks bewertet, zwischen PCa und gesundem Prostatagewebe unter Verwendung von FR1 und GPI-T zu differenzieren. Mit dem Einsatz von FR1 erreichte unser Modell einen F1-Score von 72,5%. Durch die Implementierung von GPI-T-Bildern verbesserte sich der F1-Score auf 92,5%. Darüber hinaus schien die Leistung des Modells mit dem Unterschied in den Gleason-Scores korreliert zu sein: Größere Unterschiede in den Scores führten zu höheren Erkennungsraten. Zum Beispiel ergab die Differenzierung von Gleason 9 von gesundem Prostatagewebe unter Verwendung von FR1 einen F1-Score von 94,7%, Gleason 6 von gesundem Prostatagewebe 83,3% und eine Genauigkeit von 85%, während Gleason 9 von Gleason 6 einen F1-Score von 83,3% und eine Genauigkeit von 80% zeigte. Bei der Bewertung beider Expressionsmuster (FR1 und GPI-T) in getrennten Bildern (kombiniertes Set) erreichte das Modell einen F1-Score von 95,12% und einen F1-Score von 80,85% bei der Bewertung beider Rezeptoren in einem einzigen Bild (fusioniertes Set).

Schlussfolgerung: Die Studie bestätigt die Überexpression von FR1 und GPI-T bei PCa. Das KI-Modell zeigt eine hohe Präzision bei der Erkennung dieser Überexpression und hebt damit seine potenzielle Nützlichkeit in klinischen Einstellungen hervor.

Tabelle 1 [Tab. 1]