Corr-A-Net:可解释的基于注意力的相关特征学习框架,用于从H&E图像中预测乳腺癌中的HER2评分
Kaushik Dutta1,2, Debojyoti Pal1,2, Suya Li1,2
1Imaging Science Program, Washington University in St Louis, St Louis, MO USA.
概括
一个新的深度学习模型,Corr-A-Net,准确地从H&E图像中预测乳腺癌中的HER2状态. 这种人工智能工具提供可靠的预测,潜在地改善了针对性的治疗决策.
科学领域:
- 在瘤学瘤学.
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
背景情况:
- 人类表皮生长因子受体2 (HER2) 是乳腺癌 (BC) 治疗选择的关键生物标志物.
- 目前通过IHC对HER2表达的手动评估是耗时的,并且受观察者变化的影响.
研究的目的:
- 开发一种可解释的深度学习管道,用于从H&E图像中预测HER2分数.
- 使用人工智能驱动的方法提高HER2状态预测的可靠性.
主要方法:
- 开发一个相关的注意力神经网络 (Corr-A-Net) 来从H&E图像中预测HER2分数.
- 整合一个代理信任评分估计网络,以量化预测确定性.
- 使用通过注意力机制生成的共享相关表示.
主要成果:
- Corr-A-Net实现了0.93的预测准确度和0.98.98的AUC-ROC.
- 该模型显示了可靠的信心水平估计,平均有效信心 (MEC) 得分为0.85.
- 产生了高准确度和可靠的信心分数的可解释AI预测.
结论:
- 该Corr-A-Net管道提供了一个有希望的AI驱动的解决方案,用于从H&E图像中预测HER2状态.
- 这种方法有可能克服手动HER2评估的局限性,提高效率和一致性.
- 该模型对指导乳腺癌管理中的向抗HER2疗法具有重要意义.
