深度学习用于免疫组织化学染色瘤组织部分的自动评分 - 基于患者结果的跨瘤类型验证
Wanja Kildal1, Karolina Cyll1, Joakim Kalsnes1
1Institute for Cancer Genetics and Informatics, Oslo University Hospital, NO-0424, Oslo, Norway.
Heliyon
|July 23, 2024
概括
深度学习模型准确地检测免疫组织化学幻灯片中的蛋白质表达,与手动评分性能相匹配. 这些人工智能工具为各种癌症类型提供了高效和可重现的分析.
科学领域:
- 计算病理学计算病理学
- 发现生物标志物的发现.
- 人工智能在瘤学中的应用
背景情况:
- 免疫组织化学 (IHC) 对于癌症诊断和预后至关重要.
- 手动评分IHC幻灯片是耗时和主观的.
- 需要自动化,客观的方法来量化蛋白质表达.
研究的目的:
- 开发和验证用于自动化IHC评分的深度学习 (DL) 模型.
- 将DL模型的准确性和预后影响与手动评分进行比较.
- 评估DL模型在不同染色模式 (核,细胞质,膜) 和癌症类型中的性能.
主要方法:
- 为核,细胞质和膜性染色模式开发单独的DL模型.
- 从结肠癌和前列腺癌队列中使用注释的IHC图像进行训练.
- 在多种癌症类型 (结肠,前列腺,乳腺,子宫内膜) 和蛋白质标记物中进行验证.
- 将DL得分与手动得分进行比较,作为基本真相.
- 生存分析以评估预后影响.
主要成果:
- 高的正确分类率:91.5% (核),85.6% (细胞质),78.4% (膜质).
- 在生存分析中,DL模型的预后价值与手动评分相似.
- 在各种癌症类型和染色模式中保持一致的性能.
- 在DL模型中,效率和可重复性比手动评分具有优势.
结论:
- 深度学习模型为手动IHC评分提供了可靠和高效的替代方案.
- 使用DL的自动化IHC分析可以提高癌症研究中的客观性和可重现性.
- DL具有显著的潜力,可以改善瘤学中的诊断和预后评估.
