
-
生物通官微
陪你抓住生命科技
跳动的脉搏
人工智能提升乳腺癌 HER2 免疫组化评分一致性与可重复性研究
《BMC Cancer》:Artificial Intelligence Model’s assessment of intra-sample heterogeneity of HER2 IHC in breast cancer is related to interobserver and intraobserver agreement among pathologists
【字体: 大 中 小 】 时间:2026年10月11日 来源:BMC Cancer 4.1
编辑推荐:
```html 摘要 背景 准确评估乳腺癌中的HER2状态对于指导治疗至关重要,随着抗体-药物偶联物的出现,这一点变得更加重要,因为这些药物现在也被用于HER2表达量较低的肿瘤。然而,观察者之间以及同一观察者在不同时间评估时的差异限制了病理学家在HER
准确评估乳腺癌中的HER2状态对于指导治疗至关重要,随着抗体-药物偶联物的出现,这一点变得更加重要,因为这些药物现在也被用于HER2表达量较低的肿瘤。然而,观察者之间以及同一观察者在不同时间评估时的差异限制了病理学家在HER2免疫组化(IHC)评分方面的可重复性。人工智能(AI)模型有可能标准化这一过程,提高诊断准确性,并揭示当前实践中的不足之处。
我们开展了一项研究,招募了来自巴西Rede D’Or中心的普通病理学家和专科病理学家,他们对数字化的HER2 IHC全切片图像进行评估。这些图像在一个月的时间间隔内分别展示给病理学家,并同时提交给AIM-HER2(PathAI ?,马萨诸塞州波士顿)AI模型进行评估。我们在126个乳腺癌样本中测量了观察者内部和观察者之间的评分一致性,以及与AI模型的一致性。此外,还利用AI的空间分解数据分析样本特征与评分一致性之间的关联。
在病理学家之间,观察者内部的一致性中位数为66.67%,与AI模型的一致性中位数为60.8%。观察者之间的整体一致性中位数为67.65%,其中25.4%的样本的一致性超过85%。所有评分指标之间均显示出显著的正相关关系。根据AI的空间分解评分确定的样本内异质性较低的样本,其评分一致性较高。
我们的研究结果凸显了病理学家在HER2 IHC评分方面存在显著差异。我们发现,由AI评估的样本内异质性与病理学家之间评分一致性较低有关。我们认为这表明了现有评分方法存在潜在的局限性,而像AIM-HER2这样的AI模型可以通过指出那些可能导致评估结果不一致的样本,来提高分析的可重复性。
准确评估乳腺癌中的HER2状态对于指导治疗至关重要,随着抗体-药物偶联物的出现,这一点变得更加重要,因为这些药物现在也被用于HER2表达量较低的肿瘤。然而,观察者之间以及同一观察者在不同时间评估时的差异限制了病理学家在HER2免疫组化(IHC)评分方面的可重复性。人工智能(AI)模型有可能标准化这一过程,提高诊断准确性,并揭示当前实践中的不足之处。
我们开展了一项研究,招募了来自巴西Rede D’Or中心的普通病理学家和专科病理学家,他们对数字化的HER2 IHC全切片图像进行评估。这些图像在一个月的时间间隔内分别展示给病理学家,并同时提交给AIM-HER2(PathAI ?,马萨诸塞州波士顿)AI模型进行评估。我们在126个乳腺癌样本中测量了观察者内部和观察者之间的评分一致性,以及与AI模型的一致性。此外,还利用AI的空间分解数据分析样本特征与评分一致性之间的关联。
在病理学家之间,观察者内部的一致性中位数为66.67%,与AI模型的一致性中位数为60.8%。观察者之间的整体一致性中位数为67.65%,其中25.4%的样本的一致性超过85%。所有评分指标之间均显示出显著的正相关关系。根据AI的空间分解评分确定的样本内异质性较低的样本,其评分一致性较高。
我们的研究结果凸显了病理学家在HER2 IHC评分方面存在显著差异。我们发现,由AI评估的样本内异质性与病理学家之间评分一致性较低有关。我们认为这表明了现有评分方法存在潜在的局限性,而像AIM-HER2这样的AI模型可以通过指出那些可能导致评估结果不一致的样本,来提高分析的可重复性。