具有多倍率量化可解释性的HER2 IHC评分深度学习方法

《Scientific Reports》：Deep learning for HER2 IHC scoring with quantitative explainability across magnifications

　　

摘要

准确评估人类表皮生长因子受体2（HER2）状态对于指导乳腺癌的靶向治疗至关重要；然而，手工免疫组化（IHC）评分存在观察者间的差异，尤其是在边界病例中。尽管深度学习方法在自动HER2分类方面表现出色，但其临床应用往往受到可解释性不足以及对图像放大倍数变化敏感度低的限制。在本研究中，我们提出了一种基于深度学习的HER2 IHC评分框架，该框架结合了ResNet50架构与混合层解冻策略，以平衡特征适应性与计算效率。通过一个模型即可训练不同放大倍数级别（10\(\times\)和40\(\times\)）的数据集，从而无需为每种分辨率单独构建模型就能保持一致的性能。为提升可解释性，本研究还引入了Score-CAM技术，并结合了膜激活精度（MAP）、解释一致性（EC）和相关性覆盖率（RC）等定量指标，这些指标用于评估模型注意力与病理学家标注的膜区域的匹配程度及稳定性。这些标注仅用于评估，以确保对解释质量进行客观验证。所提出的框架在三个公开可用的HER2 IHC数据集上进行了测试，在基于patch的数据上实现了高达96%的准确率，同时在低放大倍数的图像上也能保持良好性能。实验结果表明，该模型在各种放大倍数设置下都能保持稳定性能，同时还能提供具有临床意义且经过定量验证的解释结果。总体而言，本研究展示了将深度学习与结构化可解释性评估相结合用于HER2评分的潜力，同时也强调了在实际应用之前需要在更多不同的临床数据集上进行进一步验证。