一、为什么需要研究多种检测新技术以提高HER2精准检测水平?
HER2的检测是病理和临床一直关注的热点。2024年ASCO年会在美国盛大召开。随着DB06研究报告的公布,HER2低表达、HER2-ultralow,已经确立为晚期乳腺癌新的靶向治疗亚型,这些患者可以从T-DXd治疗中取得较好获益,HER2-ultralow的概念是指0<IHC<1+,大于0,小于10%细胞膜不完整,微弱着色的病例。
但是当前的HER2 IHC检测是基于将lHC 3+与其他表达模式病例区分开来的检测,并不适合区分非常低的HER2表达水平和无表达的情况。正如来自哈佛的Ian E. Krop教授谈及当前的HER2检测方法在区分HER2低表达或HER2-ultralow与HER2 0的病例中具有局限性,他形象的比喻,就好比使用为大象设计的秤,现在用于称量小鼠。鉴于目前的IHC检测方法展望未来,需要开发多种检测新技术以提高HER2精准检测水平。
HER2检测的方法学中存在诸多变量,如固定、抗原修复、抗体克隆等,都可以影响结果的准确性和可重复性;需要严格的实验室质量控制;HER2评分的主观性模式以及HER2表达的时空异质性也是对HER2低表达评估结果产生较大影响的重要因素。
二、关于AI在乳腺癌HER2表达检测中的应用,AI在乳腺癌HER2表达检测中是如何显著提高诊断的准确性和效率的呢?
AI能够辅助病理医生对乳腺癌组织样本进行HER2表达的精确量化,减少常规依靠视觉进行主观判断的局限,提高判读准确性、一致性和工作效率。
■ 一)准确性提升:
通过深度学习和模式识别算法,图像转换为海量可挖掘的数据特征,客观量化地表现肿瘤内的异质性和微环境,AI能够捕捉到病理图像中肉眼很难读取的微弱的HER2信号,从而准确而客观地判断HER2表达状态。
■ 二)一致性提高:
人工智能(AI)可以提高HER2 IHC 0和1+的准确性及一致性。复旦大学附属肿瘤医院在第46届圣安东尼奥乳腺癌研讨会(SABCS)上发布了一项,历史评分结果与重新评分结果的总体一致率为73%,其中IHC 0和IHC 1+的一致率分别为39%和92%。这些结果反映出真实世界中大量IHC 0和IHC 1+病例可能存在判读差异性。0和1+存在重新判读后的划分,那么看看ultra-low呢:Mayo Clinic的研究,300例临床证实为HER2 IHC 0状态的晚期乳腺癌,两名病理学家重新判读,其中,60%(n=171) 由至少一名病理学家确定为“HER2-ultralow”。这意味着相当数量的IHC 0患者可能从HER2靶向治疗中获益。总体病理学家间的判读一致性为57%,病理医师在识别较低水平HER2表达时的一致性相对较低。这两项研究应用AI后,都揭示AI在乳腺癌HER2表达中判读优势的研究。
15名病理学家参与了这项多机构2轮环研究,经过2周的洗脱期后,通过调整人工智能算法得出明确的结果。人工智能辅助下的诊断准确率明显提高(0.93 vs 0.80)。AI算法提高了总一致性,特别是在HER2 1+病例中。在具有异质性的情况下,准确性显著提高,与没有异质性的情况下的水平相似(准确性,0.97)。初级病理学家的准确性和一致性比中级和高级病理学家提高得更多。
刚才举例是AI算法的判读,同样,AI显微镜辅助判读,不仅HER2-IHC与人工的一致性可高达90%以上,而且还可提高具有异质性HER2低表达肿瘤判读的准确率;有助于医师更精确判断微弱染色以及强染色的病例。
■ 三)效率提升:
AI技术可以自动化处理大量病理图像,快速给出HER2表达结果,缩短诊断时间。
三、AI在病理诊断中有哪些显著的进展和创新应用?目前AI在病理诊断中面临的最大挑战是什么?如何有效解决这些挑战呢?
AI在病理诊断中的应用正逐渐普及,尤其在图像分析、量化评分等方面展现出巨大潜力。图像分析任务包括组织图像中肿瘤组织的检测、分级和分型;它们旨在使病理工作流程自动化,因此不能立即转化为临床决策,但可以显著减轻医生的日常工作负荷。AI还可以辅助医生进行远程医疗和在线咨询,扩大医疗服务范围。量化评分主要可用于IHC定量,有丝分裂检测、细胞定量(TILs)、PD-L1定量检测等。
除了这些基本方法之外,深度学习还被用于高级图像分析任务,这些任务有可能直接影响临床决策过程。这些先进的方法包括分子特征推断,生存预测和治疗反应的端到端预测。这种深度学习系统的预测可以简化和丰富临床决策,改变临床治疗方式,具有重大意义。图像分析工作在数年前就已经达到较高的水准,近些年则是精益求精,逐步可进入临床应用。而AI在高级图像任务中的应用在这些年则不断扩大,广泛,从最初的预测预后、预测新辅疗效、预测免疫治疗效果到如今可预测分子改变、转移癌的原发部位等等。
以HER2为例,从早期的AI辅助HER2判读,到如今可直接基于HE图像预测HER2的状态,甚至预测该病例对HER2靶向治疗的敏感性。
主要挑战:包括数据标准化、模型泛化能力、伦理和法规等问题。需要建立统一的数据标准和评估体系,确保AI模型的准确性和可靠性。
克服策略:加强跨学科合作,共同推动AI在病理诊断领域的发展;同时加强伦理和法规建设,确保AI技术的合规应用。如:通过机器学习算法对HER2表达进行重新评估,并详细描述得出了HER2原发及转移灶相关评分,联合其他预后指标组成预测模型。该评分与HER2低表达乳腺癌患者的生存显著相关。
四、与传统诊断方法相比,AI辅助诊断在HER2检测中有哪些优势和不足?您如何平衡传统诊断方法与AI辅助诊断的使用?
■ 一)优势:
1.提高诊断准确性
2.减少主观性和提高一致性
3.快速诊断
4.提高对异质性肿瘤的诊断效能
■二)不足:
1.数据依赖性强
2.伦理和法规问题
3.技术成本高
一次性扫描几百张切片,用时3-5分钟,40倍,一张内存2.3G到2.7G;80倍扫描大概是5分钟,一张内存大概在6G的内存
■ 三)如何平衡:
1.结合使用
2.持续培训
3.提升数据质量管理
ADC Academy Online
ADC Academy Online是聚焦于抗体偶联药物的学术交流平台。平台紧跟相关领域的最新进展,致力于促进相关专业人士的科学交流和继续医学教育。
收藏
登录后参与评论