机器学习对乳腺癌中HER2低表达的预测,基于血素-素染色的幻灯片
Jun Du1,2, Jun Shi3, Dongdong Sun4
1Department of Pathology, The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, University of Science and Technology of China, Hefei, 230036, Anhui, China.
Breast cancer research : BCR
|April 18, 2025
概括
一个人工智能模型现在可以直接从血素-素 (HE) 染色幻灯片中预测HER2表达. 这种人工智能工具为HER2评估提供了准确和可解释的方法,特别是在HER2低的乳腺癌中.
科学领域:
- 在瘤学瘤学.
- 计算病理学计算病理学
- 生物标志物发现发现
背景情况:
- 针对HER2的治疗对HER2阳性乳腺癌至关重要.
- 在低HER2乳腺癌中新兴的疗效需要准确的HER2检测.
- 目前对HER2的免疫组织化学 (IHC) 是耗时且资源密集的过程.
研究的目的:
- 开发一种人工智能 (AI) 模型,直接从HE染色的幻灯片中预测HER2表达.
- 为 HER2 评估建立一种经济高效的方法.
- 潜在地帮助病理学家改善乳腺癌诊断和生物标志物评估.
主要方法:
- 开发一种AI分类模型,利用HE染色幻灯片的整张幻灯片图像.
- 在TCGA-BRCA和USTC-BC数据集上对AI模型的评估.
- 与使用精度 (ACC),AUC和F1分数的最先进的SlideGraph+方法进行比较.
主要成果:
- 人工智能模型在两个数据集中在HER2评分方面表现出卓越的表现.
- 获得的AUC值为0.795 ± 0.028 (USTC-BC) 和0.688 ± 0.008 (TCGA-BRCA). 在这些情况下,AUC值为0.795 ± 0.028 (USTC-BC) 和0.688 ± 0.008.
- 注意热图证实了人工智能模型的强烈可解释性.
结论:
- 人工智能模型准确地预测来自HE图像的HER2表达,具有高可解释性.
- 为 HER2 评估提供了比传统 IHC 更容易获得和有效的替代方案,特别是在 HER2 低水平的乳腺癌中.
- 有潜力协助病理学家和改善伴侣诊断.
