基于变压器的HER2评分在乳腺癌:基础和轻量级模型的比较性能
Yeh-Han Wang1,2, Min-Hsiang Chang3, Hsin-Hsiu Tsai4
1Department of Anatomical Pathology, Fu Jen Catholic University Hospital, Fu Jen Catholic University, New Taipei City 24352, Taiwan.
Diagnostics (Basel, Switzerland)
|September 13, 2025
概括
两种人工智能模型在乳腺癌全幻灯片图像中实现了自动化人类表皮生长因子2 (HER2) 评分的人类水平准确性. 这些人工智能工具对改善诊断一致性和支持抗体-药物联合疗法决策充满希望.
科学领域:
- 计算病理学计算病理学
- 人工智能在瘤学中的应用
- 生物标志物的量化和量化.
背景情况:
- 精确的人体表皮生长因子2 (HER2) 评分对于乳腺癌治疗选择至关重要,特别是针对针对HER2-低瘤的新兴抗体-药物联合体 (ADC) 疗法.
- 目前关于HER2评分的观察者间协议,特别是对于边界病例,提出了诊断挑战.
- 人工智能 (AI) 为提高HER2评分的诊断一致性和可扩展性提供了一个潜在的解决方案.
研究的目的:
- 开发和比较两种基于变压器的AI模型,用于自动HER2评分乳腺癌全幻灯片图像 (WSIs).
- 将这些人工智能模型的性能与病理学家的评估对比,并评估它们在临床决策任务中的有用性.
主要方法:
- 适应大型基础模型 (Virchow) 和轻量级模型 (TinyViT) 用于补丁级注释和WSI评分.
- 训练和整合两个模型到一个WSI评分管道.
- 在临床试验组 (n=66) 上的性能评估,包括诊断准确性,病理学家的同意和推断效率.
主要成果:
- 两种AI模型都显示出与病理学家报告的实质一致 (Virchow:kappa=0.860,TinyViT:kappa=0.825).
- 维尔乔模型的WSI准确度略高,而TinyViT的推理时间缩短了60%.
- 人工智能模型在二元临床任务中显示出病理学家可比性能的表现,包括识别用于ADC治疗的HER2-低瘤.
- 一个连续的评分框架显示了强大的模型相关性 (r=0.995) 和与人类评估的结合.
结论:
- 基于变压器的AI模型实现了人类水平的准确性,用于自动HER2评分,提供可解释的输出.
- 轻量级的TinyViT模型由于其效率,对临床部署具有实际优势.
- 持续的HER2定量可能会提供更细致的评估,特别是在边界病例中,与不断变化的ADC治疗指示保持一致.
