人类表皮生长因子受体 2 (HER2) 是癌细胞生长中的关键蛋白质，其表达水平是乳腺癌侵袭性的重要指标。传统上，HER2 状态由病理学家通过检查免疫组织化学 (IHC) 染色的组织切片手动评估。然而，这种手动过程通常受观察者之间和观察者内部差异的影响，并且可能耗时，从而导致诊断和治疗计划的潜在延误。

由加州大学洛杉矶分校 Aydogan Ozcan 教授领导的研究小组开发了一种自动化系统，利用深度学习来分析各种空间尺度的形态特征。

该系统解决了 HER2 表达的组织异质性问题，提供了全面的视图，并在来自组织微阵列的 523 个核心图像的数据集上实现了 84.70% 的高 HER2 评分分类准确率。

怎么运行的

研究人员引入的深度学习模型采用了金字塔采样策略，该策略从高分辨率图像中捕获不同尺度的块并将其集成到金字塔采样集 (PSS) 中。这种多尺度方法可确保详细检查细胞特征和更广泛的组织结构，从而提高 HER2 状态分类的准确性。

在训练阶段，该模型使用来自 823 名患者的 1,462 张核心图像进行训练，另外使用来自 149 名患者的 162 张核心图像进行验证。使用来自 300 名患者的 523 张核心图像对模型的有效性进行盲测，这些图像在训练或验证阶段之前从未见过。

这项研究发表在《BME Frontiers》杂志上，有五名经过委员会认证的病理学家参与，他们对核心进行独立评分，确保数据集标记的可靠性，并最大限度地降低因组织异质性而依赖可能不准确的患者记录的风险。