从H&E染色乳腺癌图像中准确地基于深度学习预测Ki67,ER,PR和HER2状态

科学领域:

• 数字病理学数字病理学
• 机器学习在瘤学中
• 计算生物学是一种计算生物学.

背景情况:

• 数字病理学中的机器学习 (ML) 对于仅从组织学预测分子信息具有中等准确性.
• 一个主要的局限性是缺乏足够大的数据集来进行强大的ML模型训练.

研究的目的:

• 开发一个大规模的数据集,用于训练ML模型,从组织学图像中预测乳腺癌 (BC) 的分子亚型.
• 在此数据集上评估视觉变压器 (ViT) 管道的性能,以预测Ki67,雌激素受体 (ER),孕激素受体 (PR) 和人体表皮生长因子受体2 (HER2) 的状态.

主要方法:

• 一个数据集由185538个乳腺癌 (BC) 图像组成,包括Ki67,ER,PR和HER2的血氧氨酸和欧 (H&E) 和免疫组织化学 (IHC).
• 图像分析提取了IHC标签,分类为Ki67,ER和PR. HER2被归类为阳性 (3+) 或阴性 (不包括2+).
• 在数据集上训练了一个视觉变换器 (ViT) 管道,并将其性能与弱监督的集群受限制注意力多个实例学习 (CLAM) 模型进行比较.

主要成果:

• 基于ViT的管道实现了90%的曲线下的面积 (AUC) 来预测从组织学中获得的分子信息.
• 在预测性能方面,ViT的表现优于CLAM模型.
• 对注意力热图的分析表明,虽然ViT实现了高AUC,但热图与诊断相关的子区域没有明确一致,这表明了未来研究的领域.

结论:

• 创建一个大型的,公开可用的数据集显著提高了利用ML准确预测乳腺癌组织学分子信息的潜力.
• 在这个任务中,ViT模型表现出很高的性能,超过了现有的方法.
• 需要进一步的研究来提高AI模型在整个幻灯片图像中的解释性和本地化能力.