基于图像分析的高风险ER-阳性,HER2-阴性乳腺癌的识别

科学领域:

• 在瘤学瘤学.
• 数字病理学数字病理学
• 机器学习 机器学习

背景情况:

• 光线A和B乳腺癌亚型是通过PAM50基因表达来定义的.
• 这些亚型可能需要不同的治疗方法.
• 在H&E图像上的机器学习可以识别与子类型和复发风险相关的特征.

研究的目的:

• 开发和评估基于图像的机器学习模型,用于区分光线A和光线B乳腺癌亚型.
• 在预测复发时,比较基于图像的模型与基因组测试 (PAM50) 的性能.
• 评估基于图像的方法作为基因组测试的替代品的实用性.

主要方法:

• 对H&E图像 (n=630种ER+/HER2癌症) 的像素级细分为上皮质和层状细胞.
• 使用卷积神经网络和多个实例学习的特征提取.
• 培训患者级别的分类模型,以进行光线A与B区分,有或没有等级调整.

主要成果:

• 基于图像的协议区分了复发时间,危险比率 (HR) 为2.81,与PAM50 (HR=2.66) 相比.
• 在高度瘤中,等级调整改善了敏感性和特异性平衡.
• 表皮特异性和原始图像显示了最高的准确性.

结论:

• 基于图像的方法在识别ER+/HER2患者中显示出有前景,这些患者可能会从进一步的测试中受益.
• 这些方法可能有助于克服基因组测试的低采用率.
• 视觉分类器为传统的基因组亚型提供了一个潜在的替代方案.