Computational pathology to discriminate benign from malignant intraductal proliferations of the breast.
Computational pathology to discriminate benign from malignant intraductal proliferations of the breast.
复制标题
DOI：
10.1371/journal.pone.0114885
复制
发表时间：
2014
期刊：
影响因子：
3.7
通讯作者：
Beck AH
中科院分区：
文献类型：
--
作者：
Dong F;Irshad H;Oh EY;Lerwill MF;Brachtel EF;Jones NC;Knoblauch NW;Montaser-Kouhsari L;Johnson NB;Rao LK;Faulkner-Jones B;Wilbur DC;Schnitt SJ;Beck AH
在许多情况下，即使对于经验丰富的病理学家来说，基于组织病理学切片的常规光学显微镜检查对乳腺导管内增殖性病变进行分类也具有挑战性。开发计算工具来帮助病理学家表征这些病变将具有巨大的诊断和临床价值。作为解决这个问题的第一步，我们评估了计算图像分析准确分类 DCIS 和 UDH 以及对 DCIS 内核等级进行分层的能力。使用来自马萨诸塞州总医院 (MGH) 诊断为 DCIS 或 UDH 的 116 个乳腺活检样本，我们开发了一种计算方法来提取 392 个特征，这些特征对应于 8 个颜色通道的核大小和形状、强度和纹理的平均值和标准差。我们使用 L1 正则化逻辑回归来构建分类模型来区分 DCIS 和 UDH。表现最好的模型包含 22 个主动特征，并在 MGH 数据集的交叉验证中实现了 0.95 的 AUC。我们将该模型应用于贝斯以色列女执事医疗中心诊断为 DCIS 或 UDH 的 51 个乳腺活检的外部验证集，该模型的 AUC 为 0.86。表现最好的模型包含来自所有颜色空间和三类特征（形态、强度和纹理）的活动特征，表明每个特征的预测价值。我们建立了模型来对 DCIS 内的级别进行分层，并在分层低核级别与高核级别 DCIS 方面获得了良好的性能（交叉验证中 AUC = 0.98），而在区分低核级别与中核级别以及中核级别与高核级别 DCIS 方面仅具有中等性能（AUC = =0.83 和 0.69，分别）。这些数据表明，计算病理学模型可以强有力地区分乳腺良性和恶性导管内增殖性病变，并可以帮助病理学家对这些病变进行诊断和分类。
The categorization of intraductal proliferative lesions of the breast based on routine light microscopic examination of histopathologic sections is in many cases challenging, even for experienced pathologists. The development of computational tools to aid pathologists in the characterization of these lesions would have great diagnostic and clinical value. As a first step to address this issue, we evaluated the ability of computational image analysis to accurately classify DCIS and UDH and to stratify nuclear grade within DCIS. Using 116 breast biopsies diagnosed as DCIS or UDH from the Massachusetts General Hospital (MGH), we developed a computational method to extract 392 features corresponding to the mean and standard deviation in nuclear size and shape, intensity, and texture across 8 color channels. We used L1-regularized logistic regression to build classification models to discriminate DCIS from UDH. The top-performing model contained 22 active features and achieved an AUC of 0.95 in cross-validation on the MGH data-set. We applied this model to an external validation set of 51 breast biopsies diagnosed as DCIS or UDH from the Beth Israel Deaconess Medical Center, and the model achieved an AUC of 0.86. The top-performing model contained active features from all color-spaces and from the three classes of features (morphology, intensity, and texture), suggesting the value of each for prediction. We built models to stratify grade within DCIS and obtained strong performance for stratifying low nuclear grade vs. high nuclear grade DCIS (AUC = 0.98 in cross-validation) with only moderate performance for discriminating low nuclear grade vs. intermediate nuclear grade and intermediate nuclear grade vs. high nuclear grade DCIS (AUC = 0.83 and 0.69, respectively). These data show that computational pathology models can robustly discriminate benign from malignant intraductal proliferative lesions of the breast and may aid pathologists in the diagnosis and classification of these lesions.
登录
查看更多内容
影响因子：
--
作者：
Irshad H
通讯作者：
Irshad H
DOI：
10.1109/tbme.2011.2110648
发表时间：
2011-07
期刊：
IEEE transactions on bio-medical engineering
影响因子：
--
作者：
Dundar MM;Badve S;Bilgin G;Raykar V;Jain R;Sertel O;Gurcan MN
通讯作者：
Gurcan MN
DOI：
10.1016/j.compmedimag.2014.04.003
发表时间：
2014-07-01
影响因子：
5.7
作者：
Irshad, H.;Gouaillard, A.;Racoceanu, D.
通讯作者：
Racoceanu, D.
影响因子：
6.4
作者：
MacGrogan, G.;Arnould, L.;Mathoulin-Pelissier, S.
通讯作者：
Mathoulin-Pelissier, S.
侵入性导管乳腺癌的形态分级。 I.核等级的阈值。
影响因子：
8.8
作者：
Kronqvist, P;Kuopio, T;Collan, Y
通讯作者：
Collan, Y