没有标签的虚拟HER2 免疫组织化学染色乳腺组织使用深度学习
Bijie Bai1,2,3, Hongda Wang1,2,3, Yuzhu Li1,2,3
1Electrical and Computer Engineering Department, University of California, Los Angeles, CA 90095, USA.
BME frontiers
|October 18, 2023
概括
一种新的深度学习方法可以实现虚拟的HER2免疫组织化学 (IHC) 染色,准确地将未标记的乳腺组织图像转化为明亮场等价物. 这种AI方法显著减少了与传统HER2 IHC染色相关的分析时间和成本.
科学领域:
- 生物医学成像学 生物医学成像学
- 计算病理学计算病理学
- 人工智能在诊断中的应用
背景情况:
- 针对人体表皮生长因子受体2 (HER2) 的免疫组织化学 (IHC) 染色对于乳腺癌的诊断和治疗至关重要.
- 传统的HER2 IHC染色是耗时的,劳动密集的,昂贵的,涉及广泛的实验室组织加工.
研究的目的:
- 开发和验证基于深度学习的虚拟HER2 IHC染色方法.
- 与传统的IHC染色相比,评估虚拟HER2染色的准确性和质量.
主要方法:
- 利用条件生成对抗网络 (cGAN) 将未标记的乳腺组织的自光显微镜图像转换为明亮场等效图像.
- 进行了盲目定量分析,病理学家从虚拟染色和IHC染色的整片图像 (WSI) 中对HER2评分进行了分级.
- 评估染色质量,包括核细节,膜清晰度和文物缺失,在虚拟与传统IHC图像之间.
主要成果:
- 虚拟 HER2 IHC 染色实现了与标准 IHC 染色相当的准确性,通过盲目的病理学家评估进行验证.
- 与IHC染色对应物相比,几乎染色的图像在核细节,膜清晰度和文物缺失方面表现出类似的质量.
- 深度学习框架成功地复制了化学HER2 IHC染色的视觉特征.
结论:
- 开发的虚拟HER2 IHC染色框架为传统实验室程序提供了快速,经济高效的替代方案.
- 这种人工智能驱动的方法可以加速生命科学和生物医学研究中的IHC组织染色工作流程.
- 该方法显示了扩展到其他生物标志物的潜力,简化了诊断和研究过程.
