计算病理学 检测乳腺癌中缺氧诱导的形态变化
Petru Manescu1, Joseph Geradts2, Delmiro Fernandez-Reyes1
1Department of Computer Science, Faculty of Engineering Sciences, University College London, London, United Kingdom.
The American journal of pathology
|December 28, 2024
概括
人工智能现在可以使用标准的H&E幻灯片检测乳腺癌中的瘤缺氧. 这种新的方法,HypOxNet,提供了一种具有成本效益的方法,用于评估瘤微环境,而无需进行分子测试.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 人工智能的人工智能
背景情况:
- 瘤缺氧对于理解癌症生物学,进展和治疗结果至关重要.
- 评估缺氧微环境往往需要复杂的分子测试.
- 在病理学工作流程中,用血素和素 (H&E) 染色的幻灯片经常可用.
研究的目的:
- 开发和验证一种人工智能 (AI) 模型,用于检测乳腺癌中的瘤缺氧,使用H&E染色全幻灯片图像 (WSI).
- 评估模型在识别与缺氧相关的形态变化的准确性.
- 建立一个具有成本效益和可访问的方法,用于低氧评估在低资源环境.
主要方法:
- 一个弱监督的深度学习模型HypOxNet,在癌症基因组图谱中的1016个H&E染色乳腺癌WSIs上接受了培训.
- 使用Hypoxia Buffa签名来分层样本,将其分为 hypoxic 和 normoxic 组 (弱标签).
- 模型的性能是使用测试集的曲线下面积 (AUC) 度量来评估的.
主要成果:
- 在测试组中,HypOxNet的平均AUC为0.82.
- 该模型准确地确定了缺氧和正常的组织区域之间的细胞形态的显著差异.
- 经过训练的模型只需要H&E染色的幻灯片进行分析.
结论:
- 基于人工智能的计算基因病理学可以有效地从常规的H&E幻灯片中检测乳腺癌中的瘤缺氧.
- HypOxNet为低氧评估提供了分子测试的快速,经济高效的替代方案.
- 这种人工智能方法有可能在其他瘤类型中得到更广泛的应用,并集成到标准的病理学工作流程中.
