在乳腺癌中提升Ki67热点检测:对自动化数字图像分析算法进行比较分析

科学领域:

• 在瘤学瘤学.
• 病理学 病理学 病理学
• 生物医学成像技术 生物医学成像技术

背景情况:

• 手动Ki67热点检测是主观的,限制了临床实用性.
• 数字图像分析 (DIA) 提供了客观Ki67扩散指数 (PI) 评估的潜力.
• 自动化算法可以在乳腺癌中标准化Ki67PI得分.

研究的目的:

• 为了比较DIA算法用于Ki67热点检测和评分的临床性能.
• 将虚拟双色染色 (VDS) 和深度学习 (DL) 算法与手动评估进行评估.
• 确定 Ki67 PI 在侵袭性乳腺癌中自动化 DIA 的实用性.

主要方法:

• 135个侵袭性乳腺癌组织段被染色为Ki67.
• 两个DIA算法 (VDS和DL) 自动确定了Ki67热点PI.
• 手动评估涉及两名观察员使用经过验证的评分协议.

主要成果:

• 在73% (VDS) 和100% (DL) 的病例中,自动检测是可行的.
• 自动化方法的平均Ki67PI (38.3-39.6%) 比手工共识 (28.8%) 高.
• 观察到高相关性:手动与VDS (r=0.90) 和手动与DL (r=0.95) 相比.

结论:

• 自动 Ki67 热点检测和分析与手动评分有很强的相关性.
• 与VDS相比,深度学习 (DL) 算法显示出更高的临床适用性和相关性.
• 基于DL的算法可以提高Ki67PI的切断界限清晰度和临床可用性.