从H&E全幻灯片图像中对乳腺癌分子亚型的基于深度学习的分类

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 医学中的人工智能

背景情况:

• 准确的乳腺癌分子亚型化对于个性化治疗至关重要.
• 目前的方法,如免疫组织化学 (IHC) 和基因表达分析有局限性,包括主观性和高成本.
• 之前的研究探讨了H&E染色幻灯片的深度学习,用于亚型化,但方法和性能各不相同.

研究的目的:

• 调查仅使用H&E染色全片图像 (WSI) 来预测乳腺癌分子亚型的可行性.
• 开发和评估用于自动化分子亚型化的深度学习管道.
• 为乳腺癌亚型提供一种潜在更容易获得和客观的方法.

主要方法:

• 使用1433个H&E染色的WSIs开发了一个两步的深度学习管道.
• 步骤1:分类瘤和非瘤,以隔离瘤区域.
• 步骤2:一对一休息 (OvR) 策略训练了四个二进制分类器,结果通过极端梯度增强模型汇总.

主要成果:

• 管道实现了F1得分为0.95的瘤与非瘤类别.
• 对分子亚型 (光线A,B,HER2丰富,基底) 获得0.73的宏F1得分.
• 该模型在识别瘤区域和分类分子亚型方面表现强.

结论:

• 通过监督深度学习模型,可以有效地利用H&E染色的WSIs用于乳腺癌分子亚型化.
• 这种方法显示出作为支持工具的承诺,可能克服当前方法的局限性.
• 建议进一步验证,共享代码旨在推动癌症诊断数字病理学的研究.