Contraste de características de baja y alta resolución para la puntuación HER2 mediante aprendizaje profundo | JoVE Visualize

Área de la Ciencia:

Oncología
Patología Computacional
Análisis de Biomarcadores

Sus antecedentes:

La clasificación precisa de HER2 (Receptor 2 del factor de crecimiento epidérmico humano) en el cáncer de mama es crucial para la selección de la terapia dirigida.
La clasificación tradicional mediante inmunohistoquímica (IHC) es subjetiva y sufre de variabilidad interobservador.
Es esencial una clasificación de 3 vías (0, bajo, alto) para identificar a los pacientes que pueden beneficiarse de las terapias dirigidas a HER2.

Objetivo del estudio:

Desarrollar y evaluar modelos de aprendizaje profundo para la clasificación automatizada de HER2 de 3 vías utilizando imágenes IHC.
Introducir el conjunto de datos de cáncer de mama de patología de la India para la investigación en el diagnóstico automatizado de cáncer de mama.
Comparar el rendimiento de un modelo de aprendizaje profundo de extremo a extremo con los métodos tradicionales basados en parches.

Principales métodos:

Desarrollo del conjunto de datos de cáncer de mama de patología de la India con portaobjetos de IHC de HER2 de 500 pacientes.
Entrenamiento y evaluación de varios modelos de aprendizaje profundo, incluida una red ConvNeXt de extremo a extremo.
Se utilizaron imágenes IHC de baja resolución para el modelo ConvNeXt para evaluar el rendimiento de la clasificación.

Principales resultados:

La red ConvNeXt de extremo a extremo logró una puntuación F1 general del 83,52 % para la clasificación HER2 de 3 vías.
Esto representa una mejora del 5,35 % con respecto a los métodos basados en parches.
Las puntuaciones F1 por clase fueron del 75,6 % (HER2-0), 82,4 % (HER2-bajo) y 91,5 % (HER2-alto), y se observaron desafíos en la diferenciación de HER2-0 y HER2-bajo.

Conclusiones:

Las técnicas de aprendizaje profundo, en particular el modelo ConvNeXt de extremo a extremo, muestran un potencial significativo para una clasificación precisa y reproducible de HER2 en el cáncer de mama.
La automatización de la clasificación de HER2 puede reducir la carga de trabajo del patólogo y la variabilidad interobservador.
La integración de estas herramientas de IA en los flujos de trabajo clínicos puede mejorar los resultados de los pacientes mediante la optimización de la selección de la terapia dirigida.