转移学习驱动了乳腺癌的HE染色WSIs上的自动HER2评分:一个多队列研究

科学领域:

• 数字病理学数字病理学
• 计算瘤学是一种计算瘤学.
• 生物标志物的量化和量化.

背景情况:

• 临床人类表皮生长因子受体2 (HER2) 检查在简化程序方面提出了挑战.
• 以前的研究忽视了类内变异性,并且缺乏HER2评分的多队列验证.
• 用血素和乙素 (H&E) 染色的整片图像 (WSIs) 为HER2评估提供了一个潜在的替代方案.

研究的目的:

• 开发和验证HER2评分的强大的计算模型,仅使用H&E染色的WSIs.
• 通过结合多队列验证和考虑类内变异性来解决先前研究的局限性.
• 将基于转移学习的概率聚合模型 (TL-PA) 与基于多实例学习 (MIL) 的模型的性能进行比较.

主要方法:

• 收集了来自五个群体的578个WSI (三个公共,两个私人).
• 雇佣了自适应规模的作物和训练的TL-PA和MIL模型在A队列上,在B-D队列上验证.
• 通过AUC评估得分表现,并通过Spearman等级相关性和Dunn测试评估与HER2水平,pCR和RCB等级的相关性.

主要成果:

• 该TL-PA模型显著优于基于MIL的模型,在验证队列 (0.75-0.77) 中具有强大的AUC.
• 在TL-PA得分和手动HER2-IHC状态 (斯皮尔曼的r=0.37,P=0.001) 和RCB等级 (斯皮尔曼的r=0.45,P=0.0006) 之间发现了适度的关联.
• 在新辅助疗法 (NAT) 队列中,非pCR预测的AUC为0.77,补丁分析揭示了恶性瘤传播模式.

结论:

• TL-PA显示了HER2评分的强大概括,数据最小.
• 该模型的当前性能不足以捕捉类内变化.
• 未来的深度学习模型需要更详细的注释,以与病理学家的推理保持一致,以提高准确性.