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。
文章预览
Article | Open Access Volume 5 | Article ID 0048 | https://spj.science.org/doi/10.34133/bmef.0048 近日， 加州大学洛杉矶分校Aydogan Ozcan教授团队 在 Science 合作期刊 BMEF (BME Frontiers) 上发表题为“ Automated HER2 Scoring in Breast Cancer Images Using Deep Learning and Pyramid Sampling ”的文章。 乳腺癌 （Breast Cancer, BC） 是全球最常见的癌症之一，其复杂性和多样性需要准确的组织学诊断。HER2蛋白在癌细胞的生长中起着重要作用，是BC侵袭性的关键指标，其表达水 平对确定患者预后和预测结果具有重要的价值 。目前，HER2状态的评估主要依赖免疫组化 （Immunohistochemical, IHC） 染色和病理学家的手动检查 （图1） ，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。尽管已有多种计算机方法 （如标准图像处理、深度神经网络等） 在自动评
………………………………
