Precisão diagnóstica do aprendizado profundo para predição de instabilidade microssatélite no câncer gástrico: Revisão sistemática e meta-análise

O que aconteceu

A aprendizagem profunda (DL) aplicada às imagens patológicas de hematoxilina e eosina (H&E) pode prever instabilidade microssatélite (MSI) no câncer gástrico (GC). Avaliamos sua acurácia diagnóstica e desempenho discriminativo. PubMed, Embase, Cochrane Library e Web of Science foram pesquisados estudos que aplicassem DL em imagens de H&E para predição de MSI em GC. O protocolo foi registrado prospectivamente no PROSPERO (CRD420261503140). O risco de viés foi avaliado com QUADAS-2. A sensibilidade e especificidade agrupadas foram estimadas com um modelo bivariado de efeitos aleatórios, com análises de subgrupos por estratégia de validação e fonte de dados; as áreas de nível deslizante sob a curva (AUCs) foram agrupadas após transformação logit. Análises de cenários predefinidas avaliaram a robustez. Foram incluídos dez estudos; sete conjuntos de dados independentes de seis estudos entraram na síntese primária. A AUC da sensibilidade combinada, especificidade e característica de operação do receptor sumário foram 0,78 (IC 95% 0,63-0,88), 0,85 (IC 95% 0,77-0,90) e 0,89 (IC 95% 0,86-0,91); nove estudos contribuíram para a síntese secundária da AUC ( AUC combinada 0,85, IC 95% 0,80-0,89). As coortes hospitalares apresentaram sensibilidade numericamente maior (0,86) e razão de chances diagnósticas (39,8) do que as coortes derivadas do TCGA (0,71 e 11,5), mas as diferenças de subgrupo foram limitadas pelo pequeno número de estudos e heterogeneidade substancial. Os modelos de DL mostram boa acurácia diagnóstica para a predição de MSI em GC, mas a utilidade clínica ainda requer confirmação em estudos multicêntricos, independentes, externos e prospectivos.