一个深度学习解决方案识别HER2阴性病例,并从H&E染色乳腺癌样本提供ER和PR结果:一个盲人验证研究
Elizabeth Walsh1, Salim Arslan2, André Geraldes2
1Women's Health Research Group, Leeds Institute of Medical Research, Wellcome Trust Brenner Building, St James's University Hospital, University of Leeds, Leeds,United Kingdom; Department of Histopathology, St James's University Hospital, Leeds Teaching Hospitals NHS Trust, Leeds, United Kingdom.
Clinical breast cancer
|July 11, 2025
概括
一个人工智能工具PANProfiler Breast准确地预测雌激素/孕激素受体状态,并从组织幻灯片中识别HER2-阴性乳腺癌. 它表现出高度一致性,验证了其用于临床使用的可靠性.
科学领域:
- 数字病理学数字病理学
- 人工智能在瘤学中的应用
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- PANProfiler Breast是一个UKCA标记的AI工具,用于分析乳腺癌 (BC) 组织的整个幻灯片图像 (WSIs).
- 它评估雌激素和孕激素受体 (ER/PR) 状态,并确定人体表皮生长因子受体-2 (HER2) 的负性.
- 这项研究旨在盲目验证PANProfiler在ER/PR和HER2负状态预测方面的表现.
研究的目的:
- 为了验证PANProfiler Breast对ER/PR状态和HER2负性的AI驱动预测的准确性.
- 评估AI预测与已建立的病理学报告的一致性.
- 为了确定AI工具的测试替换率 (TRR) 和完整测试替换率 (CTTR).
主要方法:
- 利用三组H&E染色的BC WSIs进行校准和盲目验证 (共400例).
- PANProfiler分析了WSIs以确定ER,PR和HER2状态.
- 一致性,TRR和CTTR指标是通过将AI结果与病理学报告进行比较来计算的.
主要成果:
- 对于ER (90%-93%) 和PR (86%-91%) 的状态,观察到很高的一致性.
- HER2阴性一致性在91%至100%之间.
- 测试替换率有所不同,ER为70%-84%,PR为55%-84%,HER2阴性为22%-27%.
结论:
- PANProfiler 乳腺显示了ER/PR状态的高一致性和WSIs中的HER2-阴性乳腺癌的可靠识别.
- 尽管与ER/PR相比,HER2阴性TRR较低,但其高一致性证实了其可靠性.
- 人工智能工具在通过数字病理学增强乳腺癌诊断方面表现有前途.
