Gastro-intestinale stromale tumoren (GIST) vertonen een variabel klinisch gedrag, variërend van goedaardig tot kwaadaardig. De beoordeling van het risico op een relaps en het genetisch mutatieprofiel spelen een belangrijke rol in de behandelstrategie. De AFIP/Miettinen-classificatie bepaalt het relapse risico op grond van de grootte, locatie en de mitotische index van de tumor. Deze methode is echter tijdrovend en gevoelig voor subjectiviteit. De Mutatieprofilering is eveneens tijdrovend, maar bovendien kostbaar en nog niet overal beschikbaar. Daarom onderzochten Perret de bruikbaarheid van deep learning om algoritmes op te stellen voor de voorspelling van het relapse risico en de mutatieprofielen.

Beide voorspelmodellen zijn gemaakt met gedigitaliseerde hematoxyline- en eosine-gekleurde beelden van hele tumorcoupes. Allereerst werden de modellen getraind met coupes van patiënten van het Institut Bergonié en vervolgens gevalideerd met coupes van patiënten van het Léon Bérard Centrum. Beide cohorten hadden een vergelijkbare verdeling van GIST-varianten.

Het algoritme voor de voorspelling van het risico op relaps (Deep Miettinen) presteerde beter dan de Miettinen-classificatie; de concordantie-index (C-index) verbeterde van 0,76 naar 0,81. Door ook nog de tumorlocatie en tumorgrootte in het algoritme mee te nemen verbeterde de C-index tot 0,83. Deep Miettinen kon niet alleen patiënten stratificeren naar een hoog of laag risico op een relaps, maar ook nog binnen de groep die volgens de klassieke methode als hoogrisico was aangeduid onderscheid maken tussen mensen met een lager en hoger risico. Deze verdere onderverdeling was eveneens mogelijk bij patiënten met een intermediair risico.

Gastro-intestinale stromale tumoren (GIST) vertonen een variabel klinisch gedrag, variërend van goedaardig tot kwaadaardig. De beoordeling van het risico op een relaps en het genetisch mutatieprofiel spelen een belangrijke rol in de behandelstrategie. De AFIP/Miettinen-classificatie bepaalt het relapsrisico op grond van de grootte, locatie en de mitotische index van de tumor. Deze methode is echter tijdrovend en gevoelig voor subjectiviteit. De Mutatieprofilering is eveneens tijdrovend, maar bovendien kostbaar en nog niet overal beschikbaar. Daarom onderzochten Perret de bruikbaarheid van deep learning om algoritmes op te stellen voor de voorspelling van het relapsrisico en de mutatieprofielen.

Beide voorspelmodellen zijn gemaakt met gedigitaliseerde hematoxyline- en eosine-gekleurde beelden van hele tumorcoupes. Allereerst werden de modellen getraind met coupes van patiënten van het Institut Bergonié en vervolgens gevalideerd met coupes van patiënten van het Léon Bérard Centrum. Beide cohorten hadden een vergelijkbare verdeling van GIST-varianten.

Het algoritme voor de voorspelling van het risico op relaps (Deep Miettinen) presteerde beter dan de Miettinen-classificatie; de concordantie-index (C-index) verbeterde van 0,76 naar 0,81. Door ook nog de tumorlocatie en tumorgrootte in het algoritme mee te nemen verbeterde de C-index tot 0,83. Deep Miettinen kon niet alleen patiënten stratificeren naar een hoog of laag risico op een relaps, maar ook nog binnen de groep die volgens de klassieke methode als hoogrisico was aangeduid onderscheid maken tussen mensen met een lager en hoger risico. Deze verdere onderverdeling was eveneens mogelijk bij patiënten met een intermediair risico.