拥抱数字病理时代

相对于传统光学显微镜技术,数字显微技术正带给病理学巨大的变革,由此衍生的数字切片技术为病理学拥抱大数据、互联网、云计算和人工智能等前沿科技奠定了基础。病理学在疾病诊断中起着决定性的作用,但目前仍然是利用光学显微镜对细胞和组织的形态学信息辅以原位分子信息进行分析研究。数字显微设备可以对整张病理切片进行高质量全数字化扫描,形成数字切片后经计算机实现动态观察、并通过网络实现远程传输与共享等。数字切片可以集成到已有医院信息数据库,人们可通过内网或者英特网访问这些数据并用于教学、诊断、远程咨询等。组成数字切片的上亿级的离散像素的海量数据汇集让计算机图像分析和人工智能诊断成为可能。因此,充分利用日益强大的计算机技术和网络技术将改变病理工作流程,极大地提升工作效率。而数字病理的普及还面临诸多因素的制约,包括标准化、网络安全、网络效率和法律法规等关键因素。随着这些问题的不断解决,全新的数字病理将带来病理学科一次技术上与应用模式的变革。

基于深度学习的HER-2免疫组化自动判读模型

目的建立基于深度学习算法的HER-2免疫组化全片自动判读模型,对该模型的性能进行评估,探讨其运用于临床病理诊断的可行性。方法收集浸润性导管癌标本215例,对其HER-2免疫组化切片进行全片扫描,基于深度学习算法建立HER-2免疫组化全片自动判读模型。结果HER-2免疫组化全片自动判读模型的准确性为81.5%,假阳性率为1.5%,无假阴性病例。深度学习模型与病理医师在不确定病例中的准确率分别为60.7%及50%(P=0.23)。与病理医师判读相比,深度学习模型减少17.6%的不确定病例。深度学习模型判读不一致的病例中病理医师判读与标准判读的一致性仅为52%,判读一致的病例中一致性为85.7%(P<0.05)。深度学习模型判读与标准判读不一致的25例中,13例存在HER-2异质性表达。结论基于深度学习的HER-2免疫组化全片自动判读模型使用标记简单的数据建立准确性较高的模型,减少判读为HER-2(2+)的病例,能识别明确的阴性病例,识别易判读错误的高风险病例,帮助病理医师提高判读的准确性。