Ki-67数字图像分析方法在乳腺癌临床诊断中的可靠性和可变性

科学领域:

• 在瘤学瘤学.
• 生物标志物研究 生物标志物研究
• 数字病理学数字病理学

背景情况:

• 基-67蛋白是一种增殖标志物和潜在的乳腺癌生物标志物.
• 缺乏标准化阻碍了Ki-67的常规临床使用.
• 数字图像分析 (DIA) 为高通量和标准化量化提供了潜力.

研究的目的:

• 为了比较五种DIA方法的临床可靠性,用于乳腺癌中的Ki-67量化.
• 评估不同DIA方法的内部和内部算法变异性.
• 评估DIA方法的性能与已建立的手动计数和临床截止值相比.

主要方法:

• 与五种DIA方法进行手动Ki-67计数 (n=278) 的比较:Aperio ePathology,Definiens Tissue Studio,Qupath,一个不受监督的算法,和piNET (深度学习).
• 使用类间相关系数 (ICC) 和皮尔森相关系数 (R) 评估协议.
• 评估了使用科恩的 κ 统计数据对共同的 Ki-67 切断值的分类协议.

主要成果:

• piNET深度学习管道显示了与参考手册计数的高度一致 (ICC: 0.850,R: 0.85).
• 库帕特在评级者中表现出高的可重复性 (ICC:0.889).
• 对于共同的Ki-67切断值,没有DIA方法获得了高一致性 (科恩的 κ ≥ 0.8);piNET获得了20%和25%切断值的最高一致性 (κ = 0.73).

结论:

• 自动化DIA管道,特别是piNET,显示了强大的和可重复的Ki-67量化潜力.
• 不同类型的瘤生物学,算法实现和设置变化有助于算法间的变化.
• 需要进一步开发以实现临床相关的标准化和可靠性,以DIA为基础的Ki-67评估乳腺癌.