乳腺癌中雌激素受体和HER2免疫组化人工智能诊断系统的开发

摘要:在乳腺癌的精准诊疗中,雌激素受体(ER)和人表皮生长因子受体2(HER2)的免疫组化(IHC)评估至关重要。然而,常规IHC诊断工作量大且复杂。在近期举行的2024年SABCS大会上,一项关于乳腺癌ER与HER2 IHC的人工智能(AI)诊断系统的研究引起了广


编者按:在乳腺癌的精准诊疗中,雌激素受体(ER)和人表皮生长因子受体2(HER2)的免疫组化(IHC)评估至关重要。然而,常规IHC诊断工作量大且复杂。在近期举行的2024年SABCS大会上,一项关于乳腺癌ER与HER2 IHC的人工智能(AI)诊断系统的研究引起了广泛关注。该系统展现了较高的诊断性能,尤其在处理低HER2评分时,基于公开数据的AI诊断表现尤为出色。该研究不仅为乳腺癌病理诊断技术带来了革新,也预示着AI技术在肿瘤学领域的广阔应用前景。本文特进行详细介绍。

研究背景

乳腺癌是全球女性中最常见的恶性肿瘤,通过IHC进行亚型评估对制定治疗决策至关重要。近年来,随着多基因检测被用于预测HR+/HER2-乳腺癌化疗的疗效和预后,以及HER2低表达诊断被用于确定T-DXd的适应症后,IHC基础诊断的重要性进一步提升。然而,常规IHC诊断工作量大且复杂,临床实践中亟需减轻工作负担。因此,我们开发了使用人工智能(AI)的自动化诊断系统,用于乳腺癌的雌激素受体(ER)和HER2 IHC诊断,这对于确定乳腺癌的治疗策略至关重要。

研究方法

我们回顾性收集了秋田大学附属医院234例乳腺癌患者的ER和HER2 IHC切片。将每个病理图像分割成多个小块,对每个小块的数据进行扩展,并使用卷积神经网络(CNN,图1)对扩展后的小块进行训练、验证和测试,以计算ER表达在>50%和≤50%情况下的灵敏度、特异度、阳性诊断率和AUC。对于HER2,根据HER2评分(0和1、2和3)计算4个等级的灵敏度、特异度、准确度和AUC。对于HER2,也使用开放数据进行训练和评估。此外,我们还计算了诊断一张图像所需的时间。

图1. 深度学习处理流程

研究结果

234例乳腺癌患者特征见表1。

表1. 234例乳腺癌患者特征

ER:基于3536个训练数据和884个测试数据(补丁),灵敏度为96%,特异度为93%,准确度为95%,ER表达量≤50%和>50%的AUC分别为0.99和0.99(图2)。

图2. ER诊断情况

HER2:基于3272个训练数据和818个测试数据,敏感性为82%,特异性为87%,准确性为71%,HER2评分为0的AUC为0.79,HER2评分为2的AUC为10.80,HER2评分为3的AUC为0.89。在低评分情况下,诊断准确性略低(图3)。

图3. HER2诊断情况

HER2开放数据研究结果如图4所示。数据从339张开放数据图像中扩展而来,并最终在2805组数据上进行测试,结果显示:HER2评分为0时,灵敏度为100%,特异度为92%;评分为1时,灵敏度为87%,特异度为100%;评分为2时,灵敏度为90%,特异度为100%;评分为3时,灵敏度和特异度均为100%。当评分分为4个等级时,准确率为94.2%。诊断所需时间:每张图像的诊断时间不到一秒。

图4. HER2开放数据研究结果

研究结论

在本研究中,我们开发了一套针对ER和HER2 IHC的AI诊断系统,该系统总体上展现出较高的诊断性能。当HER2评分较低时,诊断准确性尤显不足,但基于开放性数据的AI诊断则获得了高准确性。我们认为,AI诊断将有助于乳腺癌这一涉及大量诊断且需付出大量努力的疾病的诊断工作。作为退出策略,我们计划由病理学家对诊断结果进行复核。

关于终点指标,我们还需进一步探讨,如是否应追求高诊断准确性或是以确定治疗方案为目标。目前,我们正基于多中心数据持续推进AI的开发工作。此外,我们研发的一款能够在短时间内且具有良好重复性地进行IHC诊断的体外诊断设备系统已投放市场。

展望未来,我们正在开发一个诊断支持系统,旨在实现从IHC到AI病理学诊断的一站式流程。

参考文献:

Kaori Terata, et al. Development of AI diagnosis of immunohistochemistry for ER and HER2 in breast cancer. 2024 SABCS. Abstract P2-02-26.

CN-20241219-00003

来源:肿瘤瞭望

相关推荐