Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides

要約

デジタルパソロジーでは、人工知能 (AI) を使用した病理組織切片の自動分析が可能です。
自動評価は診断効率を向上させ、形態学的特徴と臨床転帰の間の関連性を見つけるのに役立つ可能性があります。
このような予測モデルを開発するには、浸潤上皮細胞を特定し、これらを良性上皮細胞や原位置病変から分離することが最初のステップとなります。
この研究では、乳がんの切片における上皮細胞のセグメンテーションのための AI モデルを開発することを目的としました。
ヘマトキシリンおよびエオシン (HE) 切片をサイトケラチン (CK) AE1/AE3 で再染色し、病理学者の注釈を付けることにより、上皮グラウンド トゥルース マスクを作成しました。
HE/CK 画像ペアを使用して畳み込みニューラル ネットワークをトレーニングし、データ拡張を使用してモデルをより堅牢にしました。
839 人の患者からの組織マイクロアレイ (TMA) と 2 人の患者からの全体のスライド画像がモデルのトレーニングと評価に使用されました。
これらの切片は、乳がん患者の 4 つのコホートから得られました。
第 5 コホートの 21 人の患者からの TMA を第 2 のテストセットとして使用しました。
定量的評価では、浸潤上皮細胞、良性上皮細胞、および原位置病変について、それぞれ 0.70、0.79、および 0.75 の平均 Dice スコアが達成されました。
病理学者による定性的スコアリング (0 ～ 5) では、すべての上皮と浸潤上皮で最高の結果が得られ、スコアは 4.7 および 4.4 でした。
良性上皮およびその場病変のスコアは 3.7 および 2.0 でした。
HE 染色された乳がんにおける提案されたモデルのセグメント化された上皮細胞はうまくいきますが、クラス間の正確な分割にはさらなる研究が必要です。
免疫組織化学と病理学者の注釈を併用することで、正確なグラウンドトゥルースの作成が可能になりました。
モデルは FastPathology で無料で利用でき、コードは https://github.com/AICAN-Research/breast-epithelium-segmentation で入手できます。

要約(オリジナル)

Digital pathology enables automatic analysis of histopathological sections using artificial intelligence (AI). Automatic evaluation could improve diagnostic efficiency and help find associations between morphological features and clinical outcome. For development of such prediction models, identifying invasive epithelial cells, and separating these from benign epithelial cells and in situ lesions would be the first step. In this study, we aimed to develop an AI model for segmentation of epithelial cells in sections from breast cancer. We generated epithelial ground truth masks by restaining hematoxylin and eosin (HE) sections with cytokeratin (CK) AE1/AE3, and by pathologists’ annotations. HE/CK image pairs were used to train a convolutional neural network, and data augmentation was used to make the model more robust. Tissue microarrays (TMAs) from 839 patients, and whole slide images from two patients were used for training and evaluation of the models. The sections were derived from four cohorts of breast cancer patients. TMAs from 21 patients from a fifth cohort was used as a second test set. In quantitative evaluation, a mean Dice score of 0.70, 0.79, and 0.75 for invasive epithelial cells, benign epithelial cells, and in situ lesions, respectively, were achieved. In qualitative scoring (0-5) by pathologists, results were best for all epithelium and invasive epithelium, with scores of 4.7 and 4.4. Scores for benign epithelium and in situ lesions were 3.7 and 2.0. The proposed model segmented epithelial cells in HE stained breast cancer slides well, but further work is needed for accurate division between the classes. Immunohistochemistry, together with pathologists’ annotations, enabled the creation of accurate ground truths. The model is made freely available in FastPathology and the code is available at https://github.com/AICAN-Research/breast-epithelium-segmentation

arxiv情報

提供元, 利用サービス

arxiv.jp, Google