用定量IHC和人工智能对乳腺癌样本中HER2-低和超低表达的量化

科学领域:

• 在瘤学瘤学.
• 生物标志物量化量化
• 计算病理学计算病理学

背景情况:

• 抗体药物合物 (ADC) 疗法为HER2低/超低乳腺癌提供了新的选择.
• 通过免疫组织化学 (IHC) 在低范围精确量化HER2表达具有挑战性.
• 现有的IHC测定在HER2低和超低表达类别中的灵敏度和精度方面存在困难.

研究的目的:

• 开发和验证用于HER2 IHC 0和1+乳腺癌中精确量化HER2蛋白的新方法.
• 为了能够准确地评估HER2表达异质性在甲固定型嵌组织中.
• 开发基于人工智能的HercepTestTM mAb的解释,使用定量IHC (qIHC) 作为基本真理.

主要方法:

• 量化IHC (qIHC) 用于在各种表达水平上精确检测HER2.
• 开发了一个AI算法来解释HercepTestTM mAb结果,与qIHC测量验证.
• 使用H&E,HercepTestTM mAb,qIHC和p63染色分析了82种侵袭性乳腺癌组织 (HER2 IHC 0或1+) 的连续切片.

主要成果:

• 在IHC 0,0 < IHC < 1+和IHC 1+组之间观察到HER2表达的统计学上显著差异.
• 在单个组织段内,HER2表达的高空间异质性 (高达五倍) 被量化.
• 基于AI的HercepTestTM mAb解释显示了与qIHC基本真相的高度一致 (皮尔森r=0.94,R2=0.87).

结论:

• 开发的qIHC和AI方法允许对乳腺癌中低HER2表达的敏感和定量评估.
• 这些方法允许空间分辨率和HER2表达异质性的量化.
• 这些发现可以改善HER2 IHC测定解释,分层患者群体,并优化HER2低乳腺癌的治疗效益.