数据高效的计算病理学平台,更快,更便宜地识别乳腺癌亚型:深度学习模型的开发
Kideog Bae1, Young Seok Jeon2, Yul Hwangbo1,3
1Healthcare AI Team, Healthcare Platform Center, National Cancer Center, Goyang-si, Gyeonggi-do, Republic of Korea.
JMIR cancer
|September 5, 2023
概括
这项研究介绍了3DHistoNet,这是一个数据效率高的平台,用于使用组织学图像预测乳腺癌亚型. 它准确地识别了ER,PR,AR,HER2和Ki67等生物标志物,为传统方法提供了更快,更便宜的替代方案.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 机器学习在瘤学中的应用
背景情况:
- 乳腺癌亚型的免疫组化学染色是昂贵和耗时的.
- 深度学习提供了一个更快,更便宜的选择,使用血素和素 (H&E) 染色图像.
- 培训预测模型需要大量的数据集,单个机构很难获得这些数据集.
研究的目的:
- 开发3DHistoNet,一个数据效率高的计算病理学平台.
- 从z堆叠的组织学图像中准确预测乳腺癌亚型.
- 通过小样本大小实现高性能.
主要方法:
- 对401例原发性乳腺癌病例的回顾性分析.
- 使用标准的H&E染色,并审查生物标志物状态 (ER,PR,AR,HER2,Ki67) 的医疗/病理记录.
- 开发和验证了使用5倍交叉验证的3DHistoNet平台.
主要成果:
- 3DHistoNet准确地预测了所有关键生物标志物 (ER,PR,AR,HER2,Ki67),其AUC范围为0.75-0.91.1.
- 性能超过了传统的多实例学习模型.
- 采用z-stack扫描方法,可以在没有额外成本的情况下补偿有限的培训数据.
- 注意地图突出显示了Ki67和组织形态学特征之间的相关性.
结论:
- 3DHistoNet是一个数据效率高,用于乳腺癌诊断的独立平台.
- 它生成z叠图像并预测关键生物标志物.
- 这种方法促进了比IHC更快,更便宜,更少容易出错的基于形态学的诊断.
