人工智能用于预测 HER2 胃癌的状态,基于全幻灯片组织病理学图像:回顾性多中心研究

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:

• 人体表皮生长因子受体2 (HER2) 阳性胃癌 (GC) 患者对HER2向疗法反应良好.
• 准确的HER2状态评估对于有效的治疗至关重要,但在GC中面临挑战.
• 需要经济和可访问的方法来确定GC中的HER2状态.

研究的目的:

• 开发和验证一个创新的深度学习模型HER2Net,用于预测胃癌中的HER2状态.
• 用整个幻灯片图像 (WSI) 量化评估HER2表达区域.
• 为识别HER2阳性GC提供一种新的方法.

主要方法:

• 开发HER2Net,一个深度学习模型训练在血素和乙素 (H&E) 整片图像 (WSI).
• 培训数据集包括来自520名GC患者的531名H&E WSIs.
• 验证是在内部测试组 (115名来自111名患者的H&E WSIs) 和外部多中心测试组 (102名来自101名患者的H&E WSIs) 上进行的.

主要成果:

• 在内部测试组中,HER2Net的准确度为0.9043.
• 在外部多中心测试组中,HER2Net的准确度为0.8922.
• 该模型量化计算了HER2高表达区域的比例.

结论:

• HER2Net提供了一种有前途,准确和潜在的成本效益的方法,用于在GC中识别HER2状态.
• 该模型在内部和外部数据集上的表现表明其临床适用性.
• 这种深度学习方法可以彻底改变 HER2 阳性 GC 的识别,以改善患者管理.