基于深度学习的计算病理学工具用于精准预测乳腺癌复发：开发与验证
图像与视频处理
2024-09-25 v1 人工智能
定量方法
摘要
准确的复发风险分层对于优化乳腺癌患者的治疗方案至关重要。当前类似 Oncotype DX（ODX）的预后工具为 HR+/HER2- 患者提供了有价值的基因组学信息，但由于成本和可及性限制，尤其在资源匮乏地区受到限制。本研究提出了一种基于深度学习的计算病理方法——Deep-BCR-Auto，通过常规 H&E 染色的全切片图像（WSI）预测乳腺癌复发风险。我们在两个独立队列中验证了该方法：TCGA-BRCA 数据集和东奥尔州立大学（OSU）的本院数据集。Deep-BCR-Auto 在分层低危和高危复发风险患者方面表现稳健。在 TCGA-BRCA 数据集上，模型实现了受试者工作特征曲线下面积（AUROC）为 0.827，显著优于现有的弱监督模型（p=0.041）。在独立的 OSU 数据集中，Deep-BCR-Auto 保持了强大的可泛性，AUROC 为 0.832，准确率为 82.0%，特异度为 85.0%，灵敏度为 67.7%。这些发现凸显了计算病理学作为复发风险评估的成本效益替代方案的潜力，从而拓宽了个体化治疗策略的可及性。本研究强调了将基于深度学习的计算病理学集成到乳腺癌常规病理学评估中，用于临床前景预测的临床实用性，适用于各种临床环境。
引用
@article{arxiv.2409.15491,
title = {Computational Pathology for Accurate Prediction of Breast Cancer Recurrence: Development and Validation of a Deep Learning-based Tool},
author = {Ziyu Su and Yongxin Guo and Robert Wesolowski and Gary Tozbikian and Nathaniel S. O'Connell and M. Khalid Khan Niazi and Metin N. Gurcan},
journal= {arXiv preprint arXiv:2409.15491},
year = {2024}
}