弱监督的双层卷积网络在HER2相关细胞的细分中,以指导HER2向疗法
Ching-Wei Wang1, Kun-Lin Lin1, Hikam Muzakky1
1Graduate Institute of Biomedical Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan.
概括
一个新的深度学习框架准确地评估了转移性乳腺癌中人类表皮生长因子受体2 (HER2/ERBB2) 的过度表达. 这种监督较弱的方法克服了针对性疗法的HER2测试方面的挑战.
科学领域:
- 在瘤学瘤学.
- 生物技术是生物技术.
- 医疗成像医学成像
背景情况:
- 人类表皮生长因子受体2 (HER2/ERBB2) 过度表达是转移性乳腺癌的关键预后标志物和治疗标.
- 准确的HER2测试对于指导转移性乳腺癌患者的治疗决策至关重要.
- 目前用于HER2评估的亮场双位杂交 (DISH) 方法面临挑战,包括细胞细分,边界定义和有限的标记数据.
研究的目的:
- 开发和验证一个强大的,弱监督的深度学习框架,以准确评估HER2/ERBB2过度表达.
- 解决当前HER2测试方法的局限性,特别是与图像分析和数据注释相关的方法.
主要方法:
- 提出了两阶段低监督的深度学习框架,以克服HER2/ERBB2测试中的细分和标签挑战.
- 该框架在两个不同的DISH数据集上进行了评估,这些数据集采用了不同的放大值.
- 性能与15种最先进的方法进行了对比,使用准确度,精度,回忆和子指数等指标.
主要成果:
- 拟议的深度学习框架在两个实验数据集上实现了高精度 (96.78%和96.43%) 和子指数 (90.77%和91.87%).
- 与15种现有方法相比,该框架表现出优异的性能,在交叉与联盟 (IoU) 之间有很大的差距.
- 该系统在细分HER2/ERBB2过度表达方面被证明是有效和强大的,尽管存在诸如细胞集群和模糊边界等挑战.
结论:
- 开发的弱监督深度学习框架为转移性乳腺癌中HER2/ERBB2过度表达的评估提供了准确而强大的解决方案.
- 这种方法有可能提高HER2测试的可靠性,从而优化患者的治疗选择.
- 这些发现凸显了弱监督的深度学习在克服计算病理学中的数据限制和图像复杂性的有效性.
