PhiHER2:基于表型的弱监督模型,用于从病理图像中预测HER2状态

科学领域:

• 计算病理学计算病理学
• 生物医学成像分析分析
• 机器学习用于癌症诊断和癌症诊断

背景情况:

• 准确的人类表皮生长因子受体2 (HER2) 状态识别对于乳腺癌 (BC) 预后和治疗至关重要.
• 病理幻灯片是黄金标准,但分析具有内异质性的高分辨率图像是具有挑战性的.
• 计算分析为发现与HER2状态相关的形态模式提供了潜力.

研究的目的:

• 开发一种基于表型的,低监督的多个实例学习架构 (PhiHER2) 来精确地从BC病理图像中预测HER2状态.
• 为了提高预测准确性,利用内形态的形态异质性.
• 为与HER2状态相关的形态模式提供可解释的见解.

主要方法:

• 开发了一个层次化的原型集群模块,以识别整个幻灯片图像 (WSI) 中的代表性表型.
• 集成的表型嵌入到交叉关注模块中,以增强特征交互和聚合.
• 采用基于表型的特征空间来捕获和利用形态异质性用于HER2预测.

主要成果:

• 通过表型指导,PhiHER2表现出卓越的WSI级别代表性.
• 该模型在现实世界乳腺癌数据集上显著优于现有方法.
• 解释性分析提供了关于形态表型和HER2状态之间的关系的明确见解.

结论:

• PhiHER2为乳腺癌中HER2状态预测提供了强大而准确的计算方法.
• 基于表型的策略有效地解决了病理图像中内异质性的挑战.
• 该模型的可解释性增强了对HER2状态形态驱动因素的临床理解.