HER2スコアリングのための深層学習を用いた低解像度および高解像度特徴の対比 | JoVE Visualize

科学分野:

腫瘍学
計算病理学
バイオマーカー分析

背景:

乳がんにおける正確なHER2（ヒト上皮増殖因子受容体2）分類は、標的療法の選択にとって重要です。
従来の免疫組織化学（IHC）分類は主観的であり、病理医間の一致性にばらつきがあります。
HER2標的療法から恩恵を受ける可能性のある患者を特定するには、3段階分類（0、low、high）が不可欠です。

研究の目的:

IHC画像を用いた自動3段階HER2分類のための深層学習モデルの開発と評価。
自動乳がん診断の研究のためにインド病理乳がんデータセットを導入。
エンドツーエンド深層学習モデルと従来のパッチベース手法のパフォーマンスを比較。

主な方法:

500人の患者からのHER2 IHCスライドを含むインド病理乳がんデータセットの開発。
エンドツーエンドのConvNeXtネットワークを含む様々な深層学習モデルのトレーニングと評価。
分類パフォーマンスを評価するために、低解像度IHC画像を利用しました。

主要な成果:

エンドツーエンドのConvNeXtネットワークは、3段階HER2分類で全体的なF1スコア83.52%を達成しました。
これは、パッチベースの方法と比較して5.35%の改善を表します。
クラスごとのF1スコアは、HER2-0が75.6%、HER2-lowが82.4%、HER2-highが91.5%であり、HER2-0とHER2-lowの識別における課題が指摘されています。

結論:

深層学習技術、特にエンドツーエンドのConvNeXtモデルは、乳がんにおける正確で再現性の高いHER2分類において大きな可能性を示しています。
HER2分類の自動化は、病理医のワークロードと病理医間の一致性のばらつきを軽減できます。
これらのAIツールの臨床ワークフローへの統合は、標的療法の選択を最適化することによって患者の転帰を改善する可能性があります。