弱监督的深度学习模型能够从H & E染色的幻灯片中预测HER2-low
Renan Valieris1, Luan Martins1,2, Alexandre Defelicibus1
1Laboratory of Computational Biology and Bioinformatics, CIPE/A.C.Camargo Cancer Center, São Paulo, São Paulo, 01508-010, Brazil.
Breast cancer research : BCR
|August 19, 2024
概括
一种新的深度学习方法可以准确地预测人体表皮生长因子受体2 (HER2) -低乳腺癌的状况从他的病理学图像. 这种方法为当前的HER2测试方法提供了更快,更具成本效益的替代方案,有助于临床决策.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 低HER2乳腺癌是一种新发现的亚型,具有治疗意义.
- 目前的HER2评估涉及多种测试,包括免疫组织化学和现场杂交,这可能是耗时和昂贵的.
- 需要有效且具有成本效益的方法来确定HER2状态.
研究的目的:
- 开发和评估一个深度学习模型,直接从基因病理图像预测HER2-低乳腺癌状态.
- 探索不同分类模型在区分HER2-阴性,HER2-低和HER2-高乳腺癌亚型方面的性能.
- 利用可解释的AI来识别与HER2亚型相关的组织学模式.
主要方法:
- 采用了自我监督,基于注意力,弱监督的学习方法.
- 通过使用来自1351名乳腺癌患者的1437张遗传病理图像,训练了六种不同的分类模型.
- 基于注意力的模型被用于可视化和理解决策过程中感兴趣的区域.
主要成果:
- 该研究强调了模型性能对基于测试的HER2测试对训练数据的可靠性的关键依赖.
- 可解释的AI技术成功地确定了与不同HER2亚型相关的特定组织学模式.
- 开发的模型证明了准确的HER2亚组分类的潜力.
结论:
- 深度学习技术可以有效地应用于对乳腺癌中的HER2亚组状态进行分类.
- 这种人工智能驱动的方法有可能增强瘤学家的临床决策工具包.
- 这些发现为在乳腺癌诊断中更快,更具成本效益的HER2评估铺平了道路.
