导读 乳腺癌是全球女性癌症死亡的主要原因之一。在诊断出乳腺癌后，会常规进行 HER2(一种促进癌细胞生长的蛋白质)的测试，以帮助评估癌症预后并...
乳腺癌是全球女性癌症死亡的主要原因之一。在诊断出乳腺癌后，会常规进行 HER2(一种促进癌细胞生长的蛋白质)的测试，以帮助评估癌症预后并制定针对 HER2 的治疗计划。
标准的 HER2 测试程序包括进行乳房活检，将组织标本制备成薄的显微镜载玻片，用突出 HER2 蛋白的特定化学试剂对载玻片进行染色/染色，并在光学显微镜下检查染色的载玻片以提供病理报告。
然而，这种标准的 HER2 染色程序成本高且周转时间长，因为染色过程需要由专家在专用实验室设施中执行费力的样品处理步骤(通常约 24 小时)。
在最近发表在BME Frontiers上的一项工作中，加州大学洛杉矶分校的一个研究小组开发了一种由深度学习提供支持的计算染色方法，该方法无需任何化学物质即可执行 HER2 染色。研究小组捕获了未染色乳房组织的自发荧光信息，这些信息是生物结构在吸收光时自然发出的。
他们进一步训练了一个深度神经网络，该网络可以将这些无染色的自发荧光图像快速转换为虚拟组织学图像，显示准确的颜色和对比度，就好像组织切片经过 HER2 化学染色一样。这种计算染色过程每个样品只需几分钟，不需要昂贵的设施或有毒化学品。仅使用计算机，HER2 染色就可以更快、更经济地完成，从而加速乳腺癌的评估和治疗。
董事会认证的病理学家盲目地验证了这种基于 AI 的虚拟 HER2 染色技术的诊断价值和染色质量。病理学家证实，深度学习生成的图像为 HER2 评估提供了同等的诊断准确性，并且染色质量与实验室化学染色的标准图像相当。
这种基于深度学习的虚拟 HER2 染色方法无需组织学专家执行昂贵、费力和耗时的 HER2 染色程序，并可扩展到其他癌症相关生物标志物的染色，以加速临床中的传统组织病理学和诊断工作流程设置。