使用深度学习对比HER2评分的低分辨率和高分辨率特征

科学领域:

• 在瘤学瘤学.
• 计算病理学计算病理学
• 生物标记分析 生物标记分析

背景情况:

• 在乳腺癌中,准确的HER2 (人类表皮生长因子受体2) 分类对于向治疗选择至关重要.
• 传统的免疫组织化学 (IHC) 分类是主观的,并且受到观察者之间的变化影响.
• 三种分类 (0,低,高) 对于识别可能从HER2向治疗中受益的患者至关重要.

研究的目的:

• 开发和评估深度学习模型,以使用IHC图像进行自动化3向HER2分类.
• 引入印度病理学乳腺癌数据集,用于研究自动化乳腺癌诊断.
• 将端到端深度学习模型的性能与传统基于补丁的方法进行比较.

主要方法:

• 印度病理学乳腺癌数据集与500名患者的HER2 IHC幻灯片的开发.
• 培训和评估各种深度学习模型,包括一个端到端的ConvNeXt网络.
• 用ConvNeXt模型的低分辨率IHC图像来评估分类性能.

主要成果:

• 端到端的ConvNeXt网络在三向HER2分类方面获得了83.52%的F1总分.
• 这比基于补丁的方法改进了5.35%.
• 各类F1分数为75.6% (HER2-0),82.4% (HER2-low) 和91.5% (HER2-high),在区分HER2-0和HER2-low方面存在挑战.

结论:

• 深度学习技术,特别是端到端的ConvNeXt模型,显示出在乳腺癌中准确和可重复的HER2分类的巨大潜力.
• 自动化HER2分类可以减少病理学家的工作量和观察者之间的变化.
• 将这些人工智能工具集成到临床工作流程中,可以通过优化向治疗选择来提高患者的治疗结果.