NC | MSInuit：基于人工智能的预筛选工具，用于从结直肠癌组织学切片中检测MSI

错配修复缺陷（dMMR）/微卫星不稳定性（MSI）是结直肠癌（CRC）的关键生物标志物。目前建议对CRC患者进行MSI状态的普遍筛查，但这增加了病理学家的工作量，延误了治疗决策。深度学习可能减轻dMMR/MSI检测的难度，加快肿瘤学家在临床实践中做出决策的速度，但目前尚未对临床认可的工具进行全面验证。2023年11月，《Nature Communications》发表了一种基于人工智能（AI）的预筛查工具——MSInuit，用于从苏木精-伊红 (H&E) 染色的载玻片中检测MSI。

MSInuit是什么？

MSIntuit是一种基于人工智能的工具，可用于临床实践中对CRC患者的常规H&E玻片进行MSI预筛查。该方法的一个关键技术优势是使用SSL从组织学图像中提取特征。使用这种方法，能够在不需要任何标签的情况下，在400万张CRC组织学图像上训练一个适合组织学的特征提取器。

MSIntuit处理流程

第一步包括检测WSI上的组织：使用 U-Net 神经网络来分割包含相关物质的图像部分，并丢弃模糊、笔标记等伪影以及背景；第二步是将slide分割成更小的图像，称为“tiles”，尺寸为112×112μm（224×224px，分辨率为0.5 MPP）；最后一步包括从每个tile中提取特征。

MSInuit的性能测试

对来自TCGA的样本进行训练后，开发团队在由600名连续的CRC患者组成的独立数据集上对MSIntuit进行了盲法验证。通过使用两台不同的扫描仪对每张slide进行数字化处理，研究了扫描仪之间的可靠性。

临床工作流程和盲法验证方法

MSIntuit的灵敏度为0.96-0.98，特异性为 0.47-0.46，扫描仪之间的一致性极佳 (Cohen’s κ: 0.82)。作为预筛查工具，MSIntuit可以排除几乎一半的非MSI人群，同时正确分类超过96%的dMMR/MSI患者，与目前的金标准方法(92-95%)相当，说明MSIntuit可以有效地作为预筛工具，减轻临床实践中的MSI检测负担。

MSInuit的性能通过自我监督学习得到了提升，使其能够以高灵敏度排除近一半的非 MSI人群

MPATH-DP200和MPATH-UFS 队列上的 MSInuit 混淆矩阵

MSInuit 在两台扫描仪上达成了良好的一致，并且可以在同一载玻片的多次重新扫描中重复

对扫描仪变化的稳健性

来自不同肿瘤区域切片的 MSIntuit 结果一致

slide选择对MSInuit的影响

MSInuit 为病理学家提供可解释的结果

模型可解释性及与临床病理MSI评分系统的比较

此项研究的主要优势是在两年内对9个不同病理实验室诊断的600个连续CRC病例进行了盲法验证，从而降低了选择偏倚的风险。最重要的是，预先规定了预测和性能评估程序，并以一次性方式进行验证，以避免过度拟合的风险。最后，MSI-PCR用于确认MMR-IHC的可疑病例，以确保dMMR/MSI标签的准确性，并在模型训练期间在未使用的两种不同扫描仪上进行验证。总之，这证明了开发团队的验证强度，以及MSIntuit的稳健性。

U-Net的实现可在如下链接中获取：

👉 https://github.com/milesial/Pytorch-UNet.

MoCov2的实现可在如下链接中获取：

👉 https://github.com/facebookresearch/moco.

Chowder算法的实现可在如下链接中获取：

👉 https://github.com/CharlieCheckpt/msintuit.

//