在基于人口的队列中,验证了一种用于乳腺癌分子亚型化的人工智能模型的验证,该模型使用了基于血素和素的全幻灯片图像

科学领域:

• 病理学 病理学 病理学
• 计算生物学 计算生物学
• 在瘤学瘤学.

背景情况:

• 乳腺癌 (BC) 是全球癌症死亡的主要原因,需要准确的分子亚型来预测和治疗.
• 目前的方法如免疫组织化学 (IHC) 有局限性,包括可变性和缺乏标准化.
• 基因表达分析虽然准确,但成本高昂,许多人无法获得.

研究的目的:

• 调查人工智能 (AI) 模型的潜力,直接从血素和素 (H&E) 染色的整片图像 (WSI) 预测乳腺癌分子亚型.
• 评估AI模型在不同分类任务中的性能,包括两类,三类和四类子类型.

主要方法:

• 采用了使用多实例学习 (MIL) 的预训练深度学习框架.
• 该模型在斯塔万格乳腺癌 (SBC) 数据集中得到验证,其中包括538例BC病例.
• 在各种分类任务中,使用AUC,准确性和F1分数等指标来评估性能.

主要成果:

• 人工智能模型在区分三阴性BC (TNBC) 与非TNBC (AUC = 0.823,精度 = 0.833,F1-score = 0.824) 方面取得了强的表现.
• 性能随着分类分子亚型数量的增加而下降.
• 该研究证明了AI的可行性,用于从H&E WSIs中BC亚型化.

结论:

• 人工智能对使用H&E WSIs进行乳腺癌分子亚型的显著潜力,为IHC提供了标准化和可访问的替代方案.
• 进一步的研究应侧重于提高多类分类准确性.
• 建议对基因表达分析进行验证,以提高临床适用性.