一个基于深度学习的整体诊断系统,用于免疫组织化学解释和分子亚型化
Lin Fan1, Jiahe Liu2, Baoyang Ju2
1School of Integrated Circuit Science and Engineering (Industry-Education Integration School), Nanjing University of Posts and Telecommunications, Nanjing 210023, PR China; State Key Laboratory of Bioelectronics, Jiangsu Key Laboratory for Biomaterials and Devices, School of Biological Science and Medical Engineering & Collaborative Innovation Center of Suzhou Nano Science and Technology, Southeast University, Nanjing 210096, PR China; Medical School of Nanjing University, Nanjing 210093, PR China.
Neoplasia (New York, N.Y.)
|February 27, 2024
概括
一个新的智能乳腺癌诊断系统使用人工智能准确识别分子亚型. 这种人工智能系统改进了对HER2,ER,PR和Ki67标记物的手动解释,提高了乳腺瘤分析的效率和精度.
科学领域:
- 在瘤学瘤学.
- 生物医学工程 生物医学工程
- 计算病理学计算病理学
背景情况:
- 乳腺癌分子亚型 (HER2,ER,PR,Ki67) 影响治疗和预后.
- 免疫组织化学对于亚型的确定至关重要,但受限于人工解释的主观性和效率.
- 现有的方法在瘤标志物分析中扎着稳定性和运行效率.
研究的目的:
- 开发一个整体的智能乳腺瘤诊断系统,用于自动化瘤标记学分析.
- 将自动解释与改善乳腺癌亚型的临床建议相结合.
- 在乳腺癌诊断中克服传统手册解释的局限性.
主要方法:
- 开发了一个由两个模块组成的系统:解释和子类型.
- 利用卷积神经网络 (CNN) 来从免疫染色图像中提取多个特征.
- 将编码的解释结果转化为低维表示,以获得高效的分子亚型输出.
主要成果:
- 该系统准确地确定了HER2,ER,PR和Ki67.7的过度表达率.
- 实现了高平均灵敏度 (97.6%) 和特异性 (96.1%),用于分子亚型的确定.
- 在HER2解释方面表现出卓越的性能,具有99.8%的灵敏度和96.9%的特异性.
结论:
- 智能诊断系统在解释免疫组织化学图像方面超过了病理学家水平的性能.
- 与手动方法相比,该系统提供了更好的效率,精度和可重复性.
- 这种人工智能驱动的方法有可能彻底改变乳腺癌的诊断和管理.
