Automatisierte Segmentierung von gutartigen Epithelzellen, Carcinoma in situ und invasiven Epithelzellen in Brustkrebs-Gewebeschnitten mithilfe von Immunhistochemie

Core Concepts

Ein KI-Modell zur Segmentierung von gutartigen, Carcinoma in situ und invasiven Epithelzellen in HE-gefärbten Brustkrebs-Gewebeschnitten wurde entwickelt, unter Verwendung von Immunhistochemie und Annotationen von Pathologen zur Erstellung von Referenzmasken.

Abstract

Hintergrund: Digitale Pathologie ermöglicht die automatische Analyse histopathologischer Schnitte mithilfe von Künstlicher Intelligenz (KI). Eine automatische Auswertung könnte die diagnostische Effizienz verbessern und Zusammenhänge zwischen morphologischen Merkmalen und klinischem Outcome aufdecken. Für die Entwicklung solcher Vorhersagemodelle wäre die Identifizierung invasiver Epithelzellen und deren Trennung von gutartigen Epithelzellen und Carcinoma in situ ein erster Schritt. Methoden: Referenzmasken für Epithelzellen wurden durch Nachfärbung von Hämatoxylin-Eosin (HE)-Schnitten mit Zytokeratin (CK) AE1/AE3 und durch Annotationen von Pathologen erstellt. HE/CK-Bildpaare wurden verwendet, um ein konvolutionelles neuronales Netzwerk zu trainieren, wobei Datenerweiterung eingesetzt wurde, um das Modell robuster zu machen. Gewebeproben von 839 Patienten und ganze Gewebeschnitte von zwei Patienten wurden für Training und Evaluierung verwendet. Ergebnisse: In der quantitativen Auswertung wurden mittlere Dice-Werte von 0,70, 0,79 und 0,75 für invasive Epithelzellen, gutartige Epithelzellen und Carcinoma in situ erreicht. In der qualitativen Bewertung durch Pathologen waren die Ergebnisse für alle Epithelzellen und invasive Epithelzellen am besten, mit Bewertungen von 4,7 bzw. 4,4. Für gutartige Epithelzellen und Carcinoma in situ wurden Bewertungen von 3,7 bzw. 2,0 erreicht. Schlussfolgerung: Das vorgeschlagene Modell segmentierte Epithelzellen in HE-gefärbten Brustkrebs-Gewebeschnitten gut, aber weitere Arbeit ist erforderlich, um eine genaue Unterscheidung zwischen gutartigen, Carcinoma in situ und invasiven Zellen zu erreichen. Immunhistochemie zusammen mit Annotationen von Pathologen ermöglichte die Erstellung genauer Referenzmasken.

Stats

Die Anteile der histologischen Subtypen Invasives Karzinom NST, Lobuläres Karzinom und andere Subtypen in den fünf Kohorten variierten zwischen 67-89 %, 2-24 % bzw. 0-16 %. Die Anteile der histologischen Grade 1, 2 und 3 in den fünf Kohorten variierten zwischen 10-41 %, 43-61 % bzw. 16-43 %.

Quotes

"Ein KI-Modell zur Segmentierung von gutartigen, Carcinoma in situ und invasiven Epithelzellen in HE-gefärbten Brustkrebs-Gewebeschnitten wurde entwickelt, unter Verwendung von Immunhistochemie und Annotationen von Pathologen zur Erstellung von Referenzmasken." "In der quantitativen Auswertung wurden mittlere Dice-Werte von 0,70, 0,79 und 0,75 für invasive Epithelzellen, gutartige Epithelzellen und Carcinoma in situ erreicht." "In der qualitativen Bewertung durch Pathologen waren die Ergebnisse für alle Epithelzellen und invasive Epithelzellen am besten, mit Bewertungen von 4,7 bzw. 4,4."

Key Insights Distilled From

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

by Mare... at arxiv.org 03-21-2024

https://arxiv.org/pdf/2311.13261.pdf

Deeper Inquiries

Wie könnte man die Genauigkeit der Segmentierung von Carcinoma in situ-Läsionen weiter verbessern?

Um die Genauigkeit der Segmentierung von Carcinoma in situ-Läsionen weiter zu verbessern, könnten verschiedene Ansätze verfolgt werden: Verbesserung der Ground Truth-Daten: Eine sorgfältige Überprüfung und Anpassung der Ground Truth-Daten, insbesondere für in situ-Läsionen, könnte dazu beitragen, die Qualität der Trainingsdaten zu verbessern. Feinabstimmung des Modells: Durch Feinabstimmung des Modells anhand von spezifischen Merkmalen von in situ-Läsionen könnte die Segmentierungsgenauigkeit erhöht werden. Erhöhung der Datenvielfalt: Durch die Einbeziehung einer größeren Vielfalt an histologischen Bildern von verschiedenen in situ-Läsionen könnte das Modell besser generalisiert werden. Verwendung von Ensemble-Methoden: Die Kombination mehrerer Modelle oder Ansätze zur Segmentierung könnte zu einer verbesserten Genauigkeit führen. Berücksichtigung von Kontextinformationen: Die Einbeziehung von Kontextinformationen, wie z.B. die Beziehung zwischen in situ-Läsionen und umgebendem Gewebe, könnte die Segmentierungsgenauigkeit weiter verbessern.

Welche Auswirkungen hätte eine Anwendung des Modells auf die automatische Biomarkeranalyse in der Brustkrebs-Diagnostik?

Die Anwendung des entwickelten Modells auf die automatische Biomarkeranalyse in der Brustkrebs-Diagnostik könnte folgende Auswirkungen haben: Effizienzsteigerung: Durch die automatische Segmentierung von Epithelzellen in verschiedene Kategorien (benign, in situ, invasive) könnte die Analyse von Biomarkern schneller und effizienter durchgeführt werden. Präzisere Diagnosen: Eine präzise Segmentierung der Zellen könnte zu genaueren Diagnosen führen, da die Biomarkeranalyse auf spezifischen Zelltypen basiert. Identifizierung von Prognosefaktoren: Das Modell könnte helfen, Zusammenhänge zwischen morphologischen Merkmalen und klinischen Ergebnissen zu identifizieren, was wichtige Prognosefaktoren liefern könnte. Personalisierte Therapien: Durch die automatische Analyse von Biomarkern auf zellulärer Ebene könnten personalisierte Therapieansätze in der Brustkrebsbehandlung unterstützt werden.

Welche anderen Krebsarten könnten von einer ähnlichen Methode zur Segmentierung von Epithelzellen profitieren?

Eine ähnliche Methode zur Segmentierung von Epithelzellen könnte auch in der Diagnostik und Forschung anderer Krebsarten von Nutzen sein, wie z.B.: Lungenkrebs: Zur Unterscheidung zwischen verschiedenen Arten von Lungenkrebszellen und zur Analyse von Biomarkern. Darmkrebs: Zur Segmentierung von Epithelzellen in Darmgewebeproben, um präzise Diagnosen zu ermöglichen. Prostatakrebs: Zur Identifizierung und Klassifizierung von Prostatakrebszellen für die Diagnose und Behandlungsplanung. Hautkrebs: Zur Unterscheidung zwischen verschiedenen Arten von Hautkrebszellen und zur Analyse von Gewebeproben. Durch die Anwendung solcher Methoden in verschiedenen Krebsarten könnte die Diagnosegenauigkeit verbessert und die Entwicklung personalisierter Therapieansätze vorangetrieben werden.