面向 invasive 乳腺导管癌免疫组织化学报告的全自动深度学习算法开发与验证
图像与视频处理
2024-06-18 v1 人工智能
计算机视觉与模式识别
定量方法
组织与器官
摘要
免疫组织化学（IHC）分析是一种已被广泛接受和使用的公认方法，用于分子分型，这一过程用于预后和靶向治疗，是影响女性最常见的肿瘤类型。存在四个分子生物标志物，即孕激素受体（PR）、雌激素受体（ER）、Ki67 抗原以及人源肿瘤坏死因子受体 2（HER2），在IHC程序中对这些标志物的评估是决定预后以及治疗反应预测所必需的。然而，IHC评分基于病理显微镜下肿瘤形态的主观检查，存在评估 reproducibility 差、主观性强、且在低分数案例中常常错误评分的问题。本文提出了一种基于深度学习的半监督训练、全自动的决策支持系统（DSS），用于invasive 导管癌的IHC评分。该系统自动检测肿瘤区域，去除伪影，并根据Allred标准进行评分。该系统使用300个切片中300万个病理学家标注的图像块、5万个本地细胞标注以及4万个HER2膜像素标记进行开发。我们在四个中心进行了多中心试验，使用三种不同类型的数字扫描仪测试其与医生的percentage agreement，并分别实现了95%、92%、88%和82%的Ki67、HER2、ER和PR染色类别的一致性。除了整体准确性外，我们发现有5%的案例在详细的算法分析后，病理学家会改为采纳算法评分。我们的方法可以提高IHC评分以及随后的治疗决策的准确性，特别是在专家资源有限的地区。该系统高度模块化。该提出的算法模块可用于开发其他癌种的DSS。
引用
@article{arxiv.2406.10893,
title = {Development and Validation of Fully Automatic Deep Learning-Based Algorithms for Immunohistochemistry Reporting of Invasive Breast Ductal Carcinoma},
author = {Sumit Kumar Jha and Purnendu Mishra and Shubham Mathur and Gursewak Singh and Rajiv Kumar and Kiran Aatre and Suraj Rengarajan},
journal= {arXiv preprint arXiv:2406.10893},
year = {2024}
}