AUPA:通过WSI组织类型分类来简化乳腺癌诊断工作流程的弱监督方法,以实现高效的IHC分类
M J Garcia-Gonzalez1,2,3, Jhon Comba Miranda4,5, Jose Luis Rey Sanjurjo6
1Vicomtech Foundation, Basque Research and Technology Alliance (BRTA), Donostia-San Sebastián, Spain. mjgarcia@vicomtech.org.
Scientific reports
|November 26, 2025
概括
一个人工智能系统通过在活检中识别侵入性癌症,自动化免疫组织化学 (IHC) 染色请求,并减少病理学家的工作量来简化乳腺癌诊断. 这个人工智能工具提高了癌症诊断工作流程的效率.
科学领域:
- 数字病理学数字病理学
- 医学中的人工智能
- 乳腺癌的诊断 乳腺癌的诊断
背景情况:
- 病理学家面临着巨大的工作负载和延迟在常规的乳腺癌诊断,由于免疫组织化学 (IHC) 染色确定和最终诊断的双重审查过程.
- 当前的诊断工作流需要单独审查初步评估和随后的IHC染色请求,影响效率.
研究的目的:
- 开发和验证基于人工智能 (AI) 的系统,以简化乳腺癌诊断.
- 为了自动识别侵入性癌症和H&E染色乳腺活检中的in situ病变,用于自动IHC染色请求.
- 减少病理学家的工作量和乳腺癌病理学的诊断延迟.
主要方法:
- 采用弱监督的学习方法,直接在最终诊断标签上进行培训,没有手册注释.
- 人工智能系统的设计是为了区分侵袭性癌瘤和纤维腺瘤,以及在整个幻灯片图像中的in situ病变.
- 该系统在内部通过组织学类型和外部在两个试点研究中进行了验证,评估了其通用性和现实世界的性能.
主要成果:
- 人工智能系统在内部验证中实现了超过91%的灵敏度和特异性,并在外部研究中显示出强大的通用性.
- 在现实环境中,该系统显示>96%的灵敏度和特异性来确定需要IHC染剂,并且>81%用于选择特定的染剂.
- 与专家病理学家和最先进的模型相比,人工智能模型的表现具有竞争力,有可能节省多达43小时的病理学家时间.
结论:
- 人工智能系统为更高效的乳腺癌诊断工作流提供了可扩展的解决方案.
- 开发的AI工具可以准确识别需要IHC染色的病变,从而简化诊断过程.
- 将其集成到医学数字成像和通信 (DICOM) 标准中,有助于在现实世界中部署和采用.
