Bei ausschließlicher Verwendung histopathologischer Bilder ohne zusätzliche unterstützende Untersuchungen führen kleine Biopsieproben von retroperitonealen Weichteilsarkomen häufig zu Urteilsunterschieden zwischen Beobachtern, was die Gesamtdiagnosegenauigkeit der Krankheitsuntertypen beeinträchtigt. Zur Lösung dieses Problems wurden 157 Ganzschnittbilder (WSIs) aus mehreren Zentren gesammelt, die fünf Krankheitskategorien abdecken: dedifferenziertes Liposarkom, Leiomyosarkom, malignes peripheres Nervenscheidentumor, undifferenziertes pleiomorphes Sarkom und hochdifferenziertes Liposarkom. Basierend auf diesen WSIs wurden zwei Ensemble-Methoden vorgeschlagen, die auf Einzel- und Multiskala-Bildern basieren, und mit Deep-Learning-Modellen wie ResNet18, EfficientNet B7 und EfficientNet V2 trainiert wurden. Die Ergebnisse zeigten, dass beide Ensemble-Methoden eine hohe Klassifikationsgenauigkeit erreichten, wobei das beste Modell eine Gesamtgenauigkeit von 82,27% bei der Blockanalyse und 80,95% bei der Ganzschnittanalyse erzielte. Daher kann die vorgeschlagene Methode Pathologen effektiv bei der Diagnose von retroperitonealen Weichteilsarkomen in der klinischen Praxis unterstützen.

retroperitoneale Weichteilsarkome; Deep Learning; Ganzschnittbilder; Subtyp-Diagnose