# 電気工学・システム科学 # 画像・映像処理 # コンピュータビジョンとパターン認識

ディープラーニングで乳がん診断を進化させる

新しい技術が乳がん治療のHER2検査精度を向上させる。

Ardhendu Sekhar, Vrinda Goel, Garima Jain, Abhijeet Patil, Ravi Kant Gupta, Tripti Bameta, Swapnil Rane, Amit Sethi

2025-06-25T07:57:20+00:00 ― 1 分で読む

オリジナルソース
参照リンク

乳がんは大きな健康問題で、世界中の女性のがん関連死亡の主要な原因になってる。治療法は乳がんの具体的なタイプに依存してて、それは腫瘍の遺伝子変化によって決まる。主に4つのタイプがあって、ルミナルA、ルミナルB、HER2、バサル。それらの中で、HER2は歴史的に死亡率が一番高い。HER2タイプは、がん細胞の成長を促進するHER2タンパク質が増えてるのが特徴。HER2陽性の乳がんには効果的な治療法があるけど、これらの治療は高額になることが多いし、他のタイプの乳がんにはあまり効果がない。だから腫瘍内のHER2レベルを正確に特定するのがめっちゃ大事。

今のところ、HER2の状態を判断するのには高くて時間がかかるテストが必要。標準的なテストは蛍光in situハイブリダイゼーション（FISH）と免疫組織化学（IHC）があって、FISHの方がより確実だけど高い。IHCは一般的だけど、時々あまり正確じゃないことも。例えば、乳がんの10-15%は曖昧なカテゴリーに入って、IHCテストでスコアが2+だったりする。そういうケースは通常、HER2の状態を確認するために追加のFISHテストが必要だよ。

この課題に取り組むために、研究者たちは深層学習技術を使って、ヘマトキシリンとエオシン（H E）で染色した画像からHER2の状態を推定してる。H Eは簡単に入手できる組織染色法で、腫瘍の構造に関する重要な情報を提供できる。アイディアは、これらの低コストでアクセスしやすいH E染色に基づいて、HER2の状態を正確に予測できるシステムを開発すること。

そのアプローチは、組織の特定の部分に関する情報が限られていても画像を分類できる特別な学習方法を用いてる。これを弱い監視（weak supervision）って呼ぶ。研究者たちはResNet-50エンコーダーという特定のモデルを使った深層学習システムを作った。このモデルは画像から特徴を学習して、組織がHER2陽性か陰性のがん細胞を含んでいるかを判断するのを手助けできる。

研究者たちは、がんデータベースから公開されている画像のコレクションを使ってモデルを訓練した。それには医療専門家によって分析され確認された182枚のH E染色画像のデータセットが含まれてた。深層学習システムは、信頼性を確保するためにいくつかのラウンドでテストされた。

結果は期待以上だった。モデルは画像を正確に分類することができて、評価スコアであるAUC（曲線下面積）は0.85を達成した。これはHER2陽性とHER2陰性のケースを区別する能力が高いことを示してる。

さらに、モデルはHER2スコアが2+で曖昧な44枚のスライドの別のセットでもテストされた。このスライドでもモデルはうまく機能して、AUCスコアは0.81だった。この結果は、深層学習技術がHER2の状態を診断するのに役立つツールになりそうだって示唆してる、特に従来のテストが不明瞭な場合には。

深層学習とH E染色画像を使う大きな利点の一つは、高額なFISHのようなテストへの依存を減らす可能性があること。これは、先進的な医療テストへのアクセスが限られている人々に特に有益かもしれない。HER2の状態を判断するためのより手頃でアクセスしやすい方法を提供することで、このアプローチは治療オプションや健康の公平性を向上させることができる。

深層学習モデルの訓練プロセスにはいくつかのステップがある。最初に、研究者たちは関連する組織が含まれてない領域を除外して組織画像を準備する。その後、残った組織を小さなセクションに分けて詳細に分析する。それぞれのセクションは分類に必要な特徴を抽出するために分析される。モデルは、多くのトレーニングサイクルを通じてこれらの特徴を学ぶ。

特徴抽出の後、アテンションメカニズムを使って、モデルが予測を行う際に組織の最も重要な部分にフォーカスするのを助ける。これによって、モデルは画像の異なる部分を異なって重視できるようになり、HER2の状態を判断する精度が向上する。

全体的に、モデルは解釈可能に設計されていて、医療専門家がどのようにモデルが結論に至ったかを理解できるようになってる。例えば、モデルはどの組織の部分が予測に最も寄与したかを示すヒートマップを生成することができる。この視覚的フィードバックは、病理学者の評価にも役立つ。

結論として、この研究は現代の計算方法を使って乳がんの診断と治療を改善する可能性を浮き彫りにしている。深層学習と広く利用されているH E染色技術を組み合わせることで、HER2の状態を正確に予測するだけでなく、効果的な治療オプションへのアクセスを改善できるシステムを作ることができる。これが最終的には、特にタイムリーで正確な診断を受けられないかもしれない患者にとって、より良い結果につながるかもしれない。

今後は、さらに複雑なデータを含めて、訓練に使うデータセットを拡大することでシステムの能力を向上させることができるかもしれない。この継続的な研究は、がん治療におけるテクノロジーの重要な役割と、より個別化され効果的な治療の可能性を強調している。

オリジナルソース

タイトル: HER2 and FISH Status Prediction in Breast Biopsy H&E-Stained Images Using Deep Learning

概要: The current standard for detecting human epidermal growth factor receptor 2 (HER2) status in breast cancer patients relies on HER2 amplification, identified through fluorescence in situ hybridization (FISH) or immunohistochemistry (IHC). However, hematoxylin and eosin (H\&E) tumor stains are more widely available, and accurately predicting HER2 status using H\&E could reduce costs and expedite treatment selection. Deep Learning algorithms for H&E have shown effectiveness in predicting various cancer features and clinical outcomes, including moderate success in HER2 status prediction. In this work, we employed a customized weak supervision classification technique combined with MoCo-v2 contrastive learning to predict HER2 status. We trained our pipeline on 182 publicly available H&E Whole Slide Images (WSIs) from The Cancer Genome Atlas (TCGA), for which annotations by the pathology team at Yale School of Medicine are publicly available. Our pipeline achieved an Area Under the Curve (AUC) of 0.85 across four different test folds. Additionally, we tested our model on 44 H&E slides from the TCGA-BRCA dataset, which had an HER2 score of 2+ and included corresponding HER2 status and FISH test results. These cases are considered equivocal for IHC, requiring an expensive FISH test on their IHC slides for disambiguation. Our pipeline demonstrated an AUC of 0.81 on these challenging H&E slides. Reducing the need for FISH test can have significant implications in cancer treatment equity for underserved populations.