精确预测乳腺癌复发的计算病理学:基于深度学习的工具的开发和验证

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 人工智能在医学中的应用

背景情况:

• 准确的乳腺癌复发风险分层对于个性化治疗至关重要.
• 目前的基因组测试受到成本和可访问性的限制,特别是在服务不足的人群中.
• 在病理学中,血素和乙素 (H&E) 染色全片图像 (WSIs) 是常见的.

研究的目的:

• 开发和验证深度学习计算病理学方法,深度乳腺癌复发 (BCR) -自动,用于预测乳腺癌复发风险.
• 评估Deep-BCR-Auto在独立数据集上的性能.
• 评估计算病理学作为乳腺癌预后的经济有效工具的潜力.

主要方法:

• 一个深度学习模型,Deep-BCR-Auto,被训练来预测H&E染色的WSIs的复发风险.
• 该模型在两个独立的队列上得到验证:癌症基因组图集 (TCGA) 计划乳腺癌数据集和俄俄州立大学的内部数据集.
• 使用包括接收器操作特征曲线 (AUC) 下面面积,准确度,特异性和灵敏度等指标来评估性能.

主要成果:

• 深度BCR-Auto在将患者分为低复发和高复发风险类别方面表现强.
• 在TCGA数据集上,该模型实现了0.827的AUC,超过了现有的弱监管模型 (P = .041).
• 在俄俄州立大学的数据集中,Deep-BCR-Auto获得了0.832的AUC,精度为82.0%,特异性为85.0%,灵敏度为67.7%,表明强烈的概括性.

结论:

• 深度BCR-Auto显示出作为一个具有成本效益的计算病理学工具,用于评估乳腺癌复发风险的巨大潜力.
• 这种方法可以通过利用常规的H&E染色的WSIs来扩大对个性化治疗策略的访问.
• 将基于深度学习的计算病理学整合到常规实践中,可以在各种临床环境中改善乳腺癌预后.