对乳腺癌的HER2,ER和PR表达的评估,基于使用卷积神经网络的深度学习的乳房扫描
Shun Zeng1, Hongyu Chen2, Rui Jing3
1Department of General Surgery, Institute of Precision Diagnosis and Treatment of Digestive System Tumors and Guangdong Provincial Key Laboratory of Chinese Medicine Ingredients and Gut Microbiomics, Shenzhen University General Hospital, Shenzhen University, Shenzhen, China.
Scientific reports
|February 9, 2025
概括
一种深度学习模型可以直接从乳腺扫描图像中准确预测乳腺癌受体状态 (HER2,ER,PR),帮助在没有侵入性活检的情况下做出治疗决策.
科学领域:
- 在瘤学瘤学.
- 放射学 放射学是指放射学
- 人工智能的人工智能
背景情况:
- 乳腺扫描是乳腺癌查的标准.
- 预测人类表皮生长因子受体2 (HER2),雌激素受体 (ER) 和孕激素受体 (PR) 的表达对于治疗至关重要.
- 目前的方法通常需要侵入性组织采样.
研究的目的:
- 开发和验证一个深度学习模型 (CBAM ResNet-18) 来直接从乳房检查中预测HER2,ER和PR的表达.
- 评估模型的性能与已建立的深度学习架构相比.
- 评估AI在非侵入性确定关键乳腺癌生物标志物的潜力.
主要方法:
- 一个深度学习模型,CBAM ResNet-18,被训练在乳腺癌确诊的患者的乳房图像上.
- 该模型预测了HER2,ER和PR的表达,而没有人工质量细分.
- 使用接收器操作特征曲线 (AUC) 下的面积,准确度 (ACC) 和F1得分来评估性能,并与ResNet-18和VGG-19模型进行比较.
主要成果:
- 在CBAM ResNet-18模型中,AUC达到0.708 (HER2),0.785 (ER) 和0.706 (PR).
- 对于每个受体,也报告了准确性和F1分数,证明了该模型的预测能力.
- 拟议的模型的性能优于基线ResNet-18和VGG-19架构.
结论:
- 该CBAM ResNet-18模型显示出预测HER2,PR,特别是ER表达的显著潜力从乳房镜.
- 这种人工智能工具可以作为乳腺癌管理中的非侵入性辅助诊断方法.
- 这些发现表明,未来仅仅通过成像就能提供关键的分子亚型信息.
