在乳腺癌组织病理学中基于深度学习的风险概况的临床评估,并与已建立的多基因试验进行比较

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 生物标志物发现发现

背景情况:

• 准确的风险分层对于早期乳腺癌的治疗决策至关重要.
• 雌激素受体 (ER) 阳性,人体表皮生长因子受体2 (HER2) 阴性乳腺癌患者通常需要超越临床病理变量进行风险评估.
• 既有预后多基因分析提供了有价值的风险信息,但基于图像的工具为简化分析提供了潜力.

研究的目的:

• 评估Stratipath乳腺工具用于ER阳性/HER2阴性早期乳腺癌的基于图像的风险概况.
• 为了在中等风险患者中比较Stratipath乳腺表现与预后多基因试验 (Prosigna).
• 评估基于图像的方法在常规乳腺病理学中的实用性.

主要方法:

• 分析了234种侵袭性ER-阳性/HER2-阴性瘤的现实病例系列.
• 对中等风险的瘤检索了临床病理学数据,包括Prosigna的结果.
• 使用Stratipath Breast进行了数字化血素和素 (HE) 染色幻灯片的分析.

主要成果:

• Stratipath Breast将49.6%的中间瘤归类为低风险和50.4%的高风险.
• 普罗西纳试验将瘤分类为32.5%的低风险,47.0%的中等风险和20.5%的高风险.
• 对于低/高风险,Stratipath Breast和Prosigna之间的总体一致性为71.0% (科恩卡帕=0.42),风险组之间的等级和Ki67有显著差异.

结论:

• 使用Stratipath Breast的基于图像的风险分层证明与已建立的Prosigna基因表达试验有相当大的一致性.
• 这项评估支持基于图像的分析作为常规乳腺病理学中风险分析的可行工具的潜力.
• 进一步验证可能会加强数字病理学工具在早期乳腺癌临床决策中的整合.