自我HER2Net:一个生成的自我监督的框架,用于HER2分类在乳腺癌的IHC组织病理学

科学领域:

• 生物医学图像分析
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 通过免疫组织化学 (IHC) 精确的人体表皮生长因子受体2 (HER2) 评分对于乳腺癌治疗决策至关重要.
• 目前的自动化HER2评分方法通常依赖于大型,手动注释的数据集,限制了它们的适用性.
• 开发AI模型,最大限度地减少对广泛标记数据的依赖是一个重大挑战.

研究的目的:

• 提出一个生成的自我监督学习 (SSL) 框架,Self-HER2Net,用于乳腺癌中自动HER2评分.
• 为了减少对HER2分类的大型手动注释数据集的依赖.
• 评估新的生成SSL任务,以更好地表示染色模式和强度.

主要方法:

• 开发了一个生成的自我监督学习框架 (Self-HER2Net),利用了四个新的SSL任务:HER2_hsl,HER2_hsv (域-不可知),HER2_dab,和HER2_hae (域特定).
• 这些任务的重点是从染色模式和强度学习表示.
• 评估了框架在各种标记数据场景 (2%,15%,100%) 和在销售之外的测试数据上的表现.

主要成果:

• HER2_hsv SSL任务在层实现了最高的性能,接收器操作特征曲线 (AUC-ROC) 下的区域为0.965±0.037.
• 自我HER2Net框架即使在有限的标记数据 (2%和15%的预算) 中也表现出了有效性.
• 建议的SSL方法显示了在资源有限的环境中准确的HER2分析的强大潜力.

结论:

• 生成式自主监督学习为自动 HER2 评分提供了可行的解决方案,特别是在标记数据稀缺的情况下.
• 新型的SSL任务,特别是HER2_hsv,有效地捕捉了HER2分类的相关特征.
• 自我HER2Net为乳腺癌诊断中的计算病理学提供了一个有希望的进步.