Lungekræft er den ledende årsag til kræftrelateret dødsfald, hvoraf ikke-småcellet lungkræft er den hyppigste kræfttype. Denne type er ydermere inddelt i fire undertyper, hvoraf den primære tumor af disse undertyper kan inddeles i fire stadier af kræft. Denne detektering bliver lavet af patologer ud fra histopatologiske billeder. Grundet den mulige variation i antallet af celler i en histopatologisk vævsprøve samt variation i staining intensiteten, er der mulighed for at interobservatør variabilitet opstår ved diagnosticering af tumor undertyper og stadier.
Eksisterende metoder har klassificeret undertyper af lungekræft ved brug af CNNs, men det har endnu ikke være undersøgt hvorvidt et CNN kan anvendes til at bestemme stadiet af lungekræft, hvilket vil blive undersøgt i dette studie. Data fra The Cancer Genome Atlas er blevet hentet fra bronchus og lunge sættet. Dataudvælgelse og præprocessering var udført for at forberede dataet til netværket og sikre homogenitet i datasættene. Herefter var AlexNet fine-tunet i de sidste to lag ved brug af initierende vægte fra en prætrænet model. Fire forskellige eksperimenter var udført grundet en bekymring om støjfyldte labels. Derudover var der udført tre WSI-baserede testmetoder for hvert eksperiment til at evaluere de forudsete patch-baserede labels.
De trænede modeller var testet patch-baseret. Patchene var klassificerede med en nøjagtighed på 0.52+/-0.04 under de fire eksperimenter. Eksperimenterne med de bedste testresultater havde en nøjagtighed på 0.56 i alle tre WSI-baserede klassificeringsmetoder. Ydermere havde to af de WSI-baserede klassificeringsmetoder den højeste nøjagtighed på 0.56+/-0.01.