在乳腺癌中,基于多个实例学习的预测,从血素和素 (H&E) 染色的基因病理图像中对编程死亡连接体1 (PD-L1) 表达

科学领域:

• 计算病理学计算病理学
• 发现生物标志物的发现.
• 人工智能在瘤学中的应用

背景情况:

• 编程死亡配体1 (PD-L1) 是乳腺癌免疫疗法的关键预测生物标志物.
• 目前对PD-L1的免疫组织化学定量是耗时的,昂贵的,并且可能不可靠.
• 血素和欧 (H&E) 染色是癌症病理学的标准,可访问和可靠的方法.

研究的目的:

• 开发和验证一种深度学习模型,用于使用H&E染色基因病理图像预测PD-L1表达.
• 评估模型在不同数据集和中心的性能和通用性.
• 探索一种替代的,有效的方法来评估乳腺癌中的PD-L1.

主要方法:

• 使用一种弱监督的多实例学习 (MIL) 方法与基于变压器的模型 (TransMIL).
• 在H&E染色乳腺癌图像上训练和测试模型.
• 在内部,外部和公共TCGA-TNBC数据集上验证了模型.

主要成果:

• 在内部测试组中,TransMIL模型在内部测试组中获得了0.833的AUC,在外部测试组中达到0.799的AUC.
• 在TCGA-TNBC数据集上的验证结果为AUC为0.721.
• 证明了强大的交叉中心概括能力和在异质数据中有效的特征捕获.

结论:

• 深度学习,特别是TransMIL模型,可以准确地从H&E图像中预测PD-L1表达.
• 这种人工智能驱动的方法为传统的PD-L1量化提供了可靠和高效的替代方案.
• 突出了病态AI在资源分配和生物标志物预测方面的潜力,即使数据有限.