基于乳腺癌HER2评分的域适应和网络修剪的轻量级深度模型:IHC与H&E 基因病理图像:IHC与H&E 基因病理图像

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 在瘤学中使用人工智能

背景情况:

• 人类表皮生长因子受体2 (HER2) 阳性乳腺癌是侵略性的,需要专门的诊断.
• 免疫组织化学 (IHC) 是有效的,但昂贵和劳动密集型.
• 血素和欧 (H&E) 染色是常规的,具有成本效益,并且广泛可用.

研究的目的:

• 评估用于自动HER2评分的轻量级深度学习模型,使用IHC和H&E图像.
• 为了比较修剪和定制轻量级网络的性能.
• 评估转移学习和特定领域预培训对模型准确性的影响.

主要方法:

• 开发了两个轻量级的深度学习模型: PrunEff4 (pruned EfficientNetV2B0) 和 ATHER2 (带有注意力的定制网络).
• 采用了网络修剪,域调整和注意力机制.
• 利用转移学习 (ImageNet预训练) 和特定领域的预训练在不同的数据集上进行培训和测试.

主要成果:

• 这两种模型都实现了高精度 (97-100%用于二进制,95.5-98.5%用于多类分类).
• 在IHC和H&E图像中,性能一致.
• 网络修剪减少了参数而没有性能损失;域特定预训练提高了复杂任务的准确性.

结论:

• 轻量级的深度学习模型可以使用易于获得的H&E图像准确地执行HER2评分.
• 这些模型为HER2测试提供了具有成本效益和可访问性的解决方案,适用于资源有限的环境.
• 有效的培训策略是可靠的基于深度学习的基因病理图像分析的关键.