深度学习自动评估来自光在位杂交图像的HER2基因放大状态

科学领域:

• 在瘤学瘤学.
• 医疗成像医学成像
• 生物信息学是一种生物信息学.

背景情况:

• 人类表皮生长因子受体2 (HER2) 基因放大对于识别乳腺癌患者有资格接受向抗HER2疗法至关重要.
• 通过光在位杂交 (FISH) 精确量化HER2放大对于治疗决策至关重要.
• 目前的手动计数方法可能会耗时,并且会有变化.

研究的目的:

• 开发和验证一个自动化的人工智能 (AI) 深度学习模型,用于量化HER2 FISH信号.
• 将人工智能模型的诊断准确性和效率与传统的手动计数方法进行比较.
• 提高病理学家在评估乳腺癌中HER2放大状态时的工作流效率.

主要方法:

• 基于深度学习的AI模型 (Aitrox) 的开发,用于自动化HER2 FISH信号量化.
• 分析了来自320例侵袭性乳腺癌病例的918张FISH图像.
• 根据2018年ASCO/CAP指南将病例分为5组,并与手动计数进行比较.

主要成果:

• 人工智能模型的整体分类准确度为85.33% (157/184),平均精度为0.735.
• 在第5组 (最常见的组) 观察到很高的一致性 (95.90%),这表明该类别的表现强.
• 其他组的一致性较低是由于信号聚类,探测器质量和截面问题等因素.

结论:

• 开发的AI模型在评估HER2放大状态方面表现出可靠性,特别是在5组乳腺癌病例中.
• 人工智能工具有可能显著提高病理学家的工作效率.
• 通过结合多中心数据和解决已识别的不一致来源,可以实现所有组的准确性进一步提高.