在乳腺癌图像中自动HER2评分,使用深度学习和金字塔采样
Sahan Yoruc Selcuk1,2,3, Xilin Yang1,2,3, Bijie Bai1,2,3
1Electrical and Computer Engineering Department, University of California, Los Angeles, Los Angeles, CA, USA.
BME frontiers
|July 24, 2024
概括
一种新的深度学习方法自动化了乳腺癌 (BC) 图像中的人类表皮生长因子受体2 (HER2) 状态分类. 这种人工智能工具提高了诊断精度和评估速度,以改善癌症治疗规划.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物医学成像技术 生物医学成像技术
背景情况:
- 准确的人体表皮生长因子受体2 (HER2) 评估对于乳腺癌 (BC) 预后和治疗至关重要.
- 在免疫组织化学 (IHC) 幻灯片中手动HER2评估面临着观察者变异性和延迟等挑战.
研究的目的:
- 开发和验证一种深度学习方法,用于在IHC染色的BC组织图像中自动对HER2状态进行分类.
- 提高HER2测试在乳腺癌诊断中的效率和一致性.
主要方法:
- 一个深度学习模型使用金字塔采样来分析多个空间尺度上的形态特征.
- 该方法高效地处理图像,考虑细胞和组织层面的细节进行全面分析.
主要成果:
- 该自动化系统在523个核心组织微阵列图像的数据集上实现了84.70%的分类准确性.
- 该方法有效地处理乳腺癌组织中的HER2表达异质性.
结论:
- 开发的深度学习系统显示出作为病理学家可靠的辅助工具的潜力.
- 这种自动化方法可以提高诊断准确性,加快评估,并影响乳腺癌治疗策略.
更多相关视频
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.3K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K