开发一个针对乳腺癌中HER2检测的深度学习模型,以帮助病理学家解释HER2低的病例

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标记分析 生物标记分析

背景情况:

• 超过50%的乳腺癌病例是低HER2的,需要对针对性疗法进行准确的评估,例如抗体-药物合物 (ADC).
• 准确的HER2评分对于治疗选择至关重要,特别是在HER2-低乳腺癌 (BC) 中.

研究的目的:

• 评估深度学习 (DL) 模型在评估乳腺癌中HER2状态方面的表现.
• 确定DL模型与病理学家之间的不一致原因,重点关注HER2-低和HER2-零病例.
• 为了使DL模型的解释与已建立的ASCO/CAP HER2评估指南保持一致.

主要方法:

• 在299例乳腺癌病例上训练了一种DL模型,并在两个独立的队列 (369例和92例) 上进行了验证.
• 所有病例都由三位高级乳腺病理学家审查,通过共识确定基本真相.
• 通过使用类内相关系数 (ICC),将DL模型的一致性与病理学家的一致性进行了比较.

主要成果:

• DL模型与基本真相达成的一致性 (ICC=0.77) 比平均病理学家的一致性 (ICC=0.45) 高.
• 该模型在验证队列中正确识别了95%的HER2-低和97%的HER2-阳性瘤.
• 不一致与形态特征 (纤维化,淋巴细胞,亡) 和人工物 (细胞质染色) 有关.

结论:

• 深度学习模型在支持病理学家准确解释HER2方面显示出显著的潜力,特别是在挑战HER2低的乳腺癌病例方面.
• 形态变异和染色器件可以导致DL模型和人类对HER2得分的解释之间的差异.