人工智能可以从乳腺癌组织学直接预测多类分子特征和亚型:一项多中心回顾性研究

科学领域:

• 计算病理学计算病理学
• 在瘤学瘤学.
• 发现生物标志物的发现.

背景情况:

• 乳腺癌中的生物标志物检测是昂贵的,需要组织样本.
• 预测生物标志物,基因特征和亚型对于治疗决策至关重要.

研究的目的:

• 开发一种深度学习算法 (BBMIL) 来直接从组织病理图像中预测乳腺癌生物标志物,基因签名和亚型.
• 减少对额外分子检测和组织活检的需求.

主要方法:

• 使用了一种基于深度学习的算法,名为BBMIL.
• 训练并评估了对血素和素 (H&E) 的算法,染色了他的病理学图像.
• 将BBMIL的性能与预测任务的其他算法进行了比较.

主要成果:

• BBMIL准确地预测了经典生物标志物,免疫疗法相关的基因特征和预后相关的亚型.
• 在所有预测任务中表现优于比较算法.
• 证明了H&E图像对于全面的生物标志物和亚型预测的潜力.

结论:

• 对H&E图像的深度学习分析可以可靠地预测关键的乳腺癌生物标志物和亚型.
• BBMIL为癌症生物标志物和亚型识别提供了一种具有成本效益和少入侵的方法.
• 这种方法有可能改善乳腺癌管理中的个性化治疗策略.