乳腺癌是全球女性癌癥死亡的主要原因之一。在診斷出乳腺癌后，會常規(guī)進行 HER2(一種促進癌細胞生長的蛋白質)的測試，以幫助評估癌癥預后并制定針對 HER2 的治療計劃。
標準的 HER2 測試程序包括進行乳房活檢，將組織標本制備成薄的顯微鏡載玻片，用突出 HER2 蛋白的特定化學試劑對載玻片進行染色/染色，并在光學顯微鏡下檢查染色的載玻片以提供病理報告。
然而，這種標準的 HER2 染色程序成本高且周轉時間長，因為染色過程需要由專家在專用實驗室設施中執(zhí)行費力的樣品處理步驟(通常約 24 小時)。
在最近發(fā)表在BME Frontiers上的一項工作中，加州大學洛杉磯分校的一個研究小組開發(fā)了一種由深度學習提供支持的計算染色方法，該方法無需任何化學物質即可執(zhí)行 HER2 染色。研究小組捕獲了未染色乳房組織的自發(fā)熒光信息，這些信息是生物結構在吸收光時自然發(fā)出的。
他們進一步訓練了一個深度神經網(wǎng)絡，該網(wǎng)絡可以將這些無染色的自發(fā)熒光圖像快速轉換為虛擬組織學圖像，顯示準確的顏色和對比度，就好像組織切片經過 HER2 化學染色一樣。這種計算染色過程每個樣品只需幾分鐘，不需要昂貴的設施或有毒化學品。僅使用計算機，HER2 染色就可以更快、更經濟地完成，從而加速乳腺癌的評估和治療。
董事會認證的病理學家盲目地驗證了這種基于 AI 的虛擬 HER2 染色技術的診斷價值和染色質量。病理學家證實，深度學習生成的圖像為 HER2 評估提供了同等的診斷準確性，并且染色質量與實驗室化學染色的標準圖像相當。
這種基于深度學習的虛擬 HER2 染色方法無需組織學專家執(zhí)行昂貴、費力和耗時的 HER2 染色程序，并可擴展到其他癌癥相關生物標志物的染色，以加速臨床中的傳統(tǒng)組織病理學和診斷工作流程設置。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！