SPJ｜BMEF：深度学习赋能自动化HER2蛋白状态识别，精准助力乳腺癌早期诊断

主要观点总结

本文介绍了加州大学洛杉矶分校Aydogan Ozcan教授团队在Science合作期刊BMEF上发表的文章，文章提出了一种基于深度学习的自动化HER2评分分类框架，以解决乳腺癌诊断中HER2表达异质性的问题。该框架采用金字塔抽样策略和HER2评分推断协议，提高了HER2评分的可靠性和准确性。

关键观点总结

关键观点1: 研究背景

乳腺癌是全球最常见的癌症之一，HER2蛋白在癌细胞的生长中起重要作用，是BC侵袭性的关键指标。目前HER2状态的评估主要依赖免疫组化染色和病理学家的手动检查，但这一传统方法在准确性和一致性上存在挑战，亟需自动化工具来提升HER2状态评估的效率和可靠性。

关键观点2: 研究方法

Aydogan Ozcan教授团队提出了一种基于深度学习（Deep Learning, DL）的自动化HER2评分分类框架，采用金字塔抽样策略（Pyramid Sampling Strategy, PSS）和HER2评分推断协议。与传统的单一分辨率分析不同，金字塔抽样框架将细胞特征与组织架构相结合，提供了HER2表达模式的全面表示和对组织异质性的完整视角。

关键观点3: 实验过程与结果

模型训练通过将每个核心图像转换为PSS，并通过交叉熵损失优化模型。测试过程中，为每个核心图像生成N个独立PSS，最终通过选择高置信度的前K个预测值形成K-置信选择集（KCS），并以KCS中的最高分作为最终评分。实验结果显示，该自动HER2评分系统能够有效地将测试样本分为四个HER2类别，并展示了高置信度预测的分布情况。

关键观点4: 研究结果分析

研究团队还探讨了独立PSS数量变化对分类准确性的影响，并通过实验发现当PSS数量增加时，分类准确性显著提升。此外，当k值超过20时，模型准确性明显下降，因此在保持最佳分类性能方面，k值在1到20范围内较为理想。

关键观点5: 研究意义

本研究提出了一种基于深度学习自动化判断HER2状态的方法，以应对组织图像中HER2表达异质性的问题。该方法增强了一致性和诊断效率，缩短了诊断时间并减少了主观判断带来的差异，适用于不同的临床环境。这项研究为更加细致、快速和可及的BC诊断铺平了道路，最终将推动个性化医学的发展并提高肿瘤患者的护理质量。

免责声明