基于深度学习的方法从HER2-SISH的癌症区域评估乳腺组织病理学全片图像图像

科学领域:

• 数字病理学数字病理学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 现场光杂交 (FISH) 是乳腺癌中HER2检测的黄金标准,但存在局限性.
• 银增强现场杂交 (SISH) 提供了一个自动化的,光场显微镜兼容的替代方案.
• 准确的HER2状态确定对于指导乳腺癌治疗决策至关重要.

研究的目的:

• 开发和验证一个深度学习模型来分类HER2-SISH全幻灯片图像 (WSIs).
• 在HER2-SISH WSIs中自动识别和定位正常,放大和非放大区域.
• 为病理学家提供一个高效的计算工具来评估HER2状态.

主要方法:

• 采用了两阶段的深度学习方法,从区域级模型评估开始.
• 使用转移学习的视觉转换器 (ViT) 模型应用于HER2-SISH WSIs.
• 伪彩色地图被生成并叠加到WSIs上,以可视化分类区域.

主要成果:

• 该模型在私人数据集上实现了99.9%的补丁级分类准确度和78.8%的概括准确度.
• K-fold交叉验证显示出强大的性能,平均准确率为98%.
• 该方法成功地在复杂的WSIs中识别和定位了HER2-放大区域.

结论:

• 深度学习,特别是使用ViT模型,可以准确地分类SISH图像中的HER2状态.
• 这种自动化方法在临床病理学方面显著有前途,有助于高效的HER2评估.
• 开发的方法有可能提高诊断工作流程和改善乳腺癌治疗结果.