使用深度学习对HER2放大水平的自动定量

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 医疗成像医学成像

背景情况:

• 准确的HER2 (人体表皮生长因子受体2) 放大评估对于选择适用于乳腺和胃癌抗HER2向治疗的患者至关重要.
• 使用光 in situ 杂交 (FISH) 和双 in situ 杂交 (DISH) 手动评估 HER2 放大是耗时的,劳动密集的,并且由于图像复杂性,如模糊的边界和重叠的细胞,容易出现主观错误.

研究的目的:

• 开发和验证一种新的深度学习模型,用于自动和客观地从FISH和DISH图像中量化HER2放大.
• 提高HER2评估的准确性和效率,以便在抗HER2治疗中精确地分层患者.

主要方法:

• 开发了一个软采样级联深度学习模型和一个信号检测模型,以量化单个细胞中的CEN17和HER2信号.
• 该模型执行HER2增强细胞的实例细分,需要同时定位CEN17和HER2信号.

主要成果:

• 拟议的深度学习模型在FISH和DISH数据集上实现了HER2相关细胞实例细分的高精度,回忆和F1得分.
• 该模型显著超过了七种最先进的深度学习方法.
• 当应用于胃癌HER2 DISH评估时,该模型表现出有希望的预测性能,准确率为97.67%,精度为96.15%.

结论:

• 开发的深度学习方法为HER2放大评估提供了准确,客观和高效的方法,克服了手动评估的局限性.
• 这种自动化工具可以显著帮助患者选择针对乳腺癌和胃癌的HER2向疗法,从而有可能改善治疗结果.