在H&E全幻灯片图像上使用深度学习算法来描述TP53变化的频率和空间分布在乳腺癌中

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 医学中的人工智能

背景情况:

• 在激素受体阴性,HER2阳性乳腺癌 (BC) 中,TP53突变很常见.
• 评估TP53状态的传统方法,如免疫组织化学 (IHC),有局限性.
• 需要更有效,更精确的方法来评估BC的TP53生物标志物.

研究的目的:

• 开发和验证用于预测TP53突变状态的深度学习 (DL) 算法.
• 使用H&E染色全片图像 (WSI) 来预测乳腺癌中的TP53状态.
• 将DL算法的性能与IHC和NGS等传统方法进行比较.

主要方法:

• 使用预训练的卷积神经网络 (CNN) 来分析H&E染色的BC WSIs.
• DL模型确定了瘤区域,并预测了TP53突变状态.
• 模型预测使用免疫组织化学 (IHC) 和下一代测序 (NGS) 进行了验证.

主要成果:

• 在预测TP53突变方面,DL模型获得了0.82的Dice系数得分.
• DL分析显示,瘤区域92%的TP53表达异常,与IHC结果 (90%) 密切一致.
• DL方法在组织量化和TP53状态预测方面表现出高准确性,在效率和精度方面超过传统方法.

结论:

• 深度学习算法显示出从组织病理学图像中预测乳腺癌中的TP53突变的巨大潜力.
• 基于DL的方法可以增强生物标志物测试,减少观察者之间的变异性,并推进精确瘤学.
• 需要进一步验证将DL整合到临床工作流程中,以改善患者管理和量身定制的治疗.