基因病理差异诊断和雌激素受体/孕激素受体免疫基因化学评估乳腺癌使用基于深度学习的人工智能架构
Zhi Han1, Shihong Ding2, Baichen Liu1
1The State Key Laboratory of Robotics, Shenyang Institute of Automation, Chinese Academy of Sciences, Shenyang, China; Institute for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences, Shenyang, China.
The American journal of pathology
|September 6, 2024
概括
人工智能 (AI) 显著改善了乳腺癌中侵入性导管癌 (IDC) 和导管癌 in situ (DCIS) 的检测和评分. YOLOv8获得了最高的性能,在ER/PR染色评估中增强了病理学家的共识.
科学领域:
- 病理学 病理学 病理学
- 计算机科学 计算机科学
- 在瘤学瘤学.
背景情况:
- 侵入性导管癌 (IDC) 和导管癌 in situ (DCIS) 是常见的乳腺癌,ER/PR染色对预后至关重要.
- 病理学家阅读整个幻灯片图像 (WSIs) 之间的观察者间变异性可能会影响诊断的准确性.
- 人工智能 (AI) 为标准化WSI分析提供了一个潜在的解决方案.
研究的目的:
- 开发和评估深度学习模型,用于在WSIs上检测IDC/DCIS.
- 评估AI在量化乳腺癌中ER/PR免疫染方面的能力.
- 提高乳腺癌组织病理学的诊断一致性和准确性.
主要方法:
- 通过使用平均平均精度 (mAP) 进行IDC/DCIS检测,比较了各种深度学习模型 (Faster R-CNN,RetinaNet,SSD300,YOLO变体,Swin变压器).
- 利用人工智能进行细胞识别和计数,以评估ER/PR染色强度和比例.
- 进行了三轮环研究,以评估人工智能辅助病理学家的得分一致性.
主要成果:
- YOLOv8显示出卓越的检测性能,其mAP@0.5为0.944和mAP@0.5-0.95为0.790.
- 人工智能辅助,特别是YOLOv8,在环研究中显著改善了病理学家的得分一致性,从中度 (0.724) 到优秀 (0.970).
- 为IDC/DCIS诊断和ER/PR评分开发了一个新的AI架构和精选的数据集.
结论:
- 深度学习,特别是YOLOv8,在检测IDC/DCIS和量化WSIs上的ER/PR染色方面表现出很高的有效性.
- 人工智能驱动的工具可以大幅减少观察者之间的变异性,提高乳腺癌病理学的诊断可靠性.
- 开发的AI系统有助于更准确的组织病理学诊断和ER/PR免疫染得分,以改善患者护理.
