Иммуногистохимическое определение статуса рецепторов эстрогена (ER) и прогестерона (PR) остается золотым стандартом в диагностике рака молочной железы, но требует специализированной лаборатории, времени и ресурсов. Исследователи предложили двухэтапную систему глубокого обучения, которая не только предсказывает статус биомаркеров по стандартным гематоксилин-эозиновым (H&E) срезам, но и генерирует визуально интерпретируемые виртуальные IHC-изображения — то, чего не могут большинство существующих моделей машинного обучения.

Система работает в два этапа. На первом этапе регрессионная свёрточная нейросеть предсказывает непрерывный процент позитивности ER/PR из патчей H&E-изображений, обучаясь на функции среднеквадратичной ошибки. Авторы экспериментировали с Edge-Focused Loss для акцента на границах ядер, но в итоге от него отказались.

На втором этапе предсказанный процент биомаркера используется как пространственное условие в условной генеративно-состязательной сети (cGAN), которая синтезирует виртуальное IHC-изображение с паттерном ядерного окрашивания, соответствующим предсказанной позитивности.

Валидация проводилась на датасете IHC4BC с 5-кратной кросс-валидацией на уровне пациентов.

Модель первого этапа достигла средней абсолютной ошибки (MAE) 9,14% для ER и 6,10% для PR. При использовании в качестве бинарного классификатора (положительный/отрицательный статус) площадь под ROC-кривой составила 0,92 для ER и 0,74 для PR.

Генеративный этап создавал визуально правдоподобные виртуальные IHC-изображения с биологически осмысленным ядерным окрашиванием. Хотя стандартные метрики качества изображений (SSIM и PSNR) показали лучшие результаты для базовой модели без условий, доменно-специфический анализ деконволюции DAB-канала (характерного для IHC-окрашивания) продемонстрировал существенное улучшение точности воспроизведения биомаркера.

Для PR корреляция между генерируемым DAB-сигналом и истинной позитивностью выросла с 0,32 (базовая модель) до 0,61 в итоговой системе и достигала 0,82 при использовании истинных значений вместо предсказанных (oracle conditioning) — это показывает как пользу от кондиционирования, так и остаточную ошибку, распространяющуюся с первого этапа.

Это proof-of-concept исследование демонстрирует вычислительную платформу с двойным выходом: количественная оценка биомаркера плюс интерпретируемое виртуальное окрашивание. Подход может поддержать предварительную оценку биомаркеров и приоритизацию образцов, особенно в условиях ограниченных ресурсов, где доступ к IHC-лаборатории затруднен.

Однако авторы подчеркивают необходимость внешней валидации и разработки доменно-специфических метрик оценки перед клиническим применением. Стандартные метрики компьютерного зрения не отражают биологическую адекватность виртуального окрашивания — требуются критерии, релевантные для патоморфологической диагностики.