การทำนายสถานะ HER2 จากภาพสไลด์พยาธิวิทยาด้วยการเรียนรู้เชิงลึกแบบมีกลไกความสนใจ
กระบวนการทดลองแบบ weakly supervised เพื่อทำนายสถานะ HER2 ระดับสไลด์จากภาพพยาธิวิทยา ด้วย attention-based multiple-instance learning
ค่า AUC ชุดทดสอบสูงสุด
ยังรายงานขนาดตัวอย่างวิเคราะห์และจำนวนแต่ละคลาสไม่ครบถ้วน และไม่มีการทดสอบภายนอกทางคลินิกสรุปภายในหนึ่งนาที
สถานะ HER2 มีผลต่อการเลือกการรักษามะเร็งเต้านม แต่การตรวจมาตรฐานต้องใช้ห้องปฏิบัติการเฉพาะ โครงงานนี้สำรวจว่าสัณฐานวิทยาในภาพเนื้อเยื่อดิจิทัลมีสัญญาณที่โมเดลเรียนรู้และอธิบายได้หรือไม่ โดยไม่ได้เสนอให้ทดแทน IHC หรือ FISH
การเรียนรู้แบบ multiple-instance ที่มีกลไกความสนใจและใช้การกำกับดูแลระดับสไลด์ สามารถเรียนรู้สัญญาณที่เป็นประโยชน์และตีความได้สำหรับสถานะ HER2 หรือไม่
AUC 0.574 สะท้อนความสามารถในการจำแนกที่จำกัดและสูงกว่าการสุ่มเพียงเล็กน้อย คุณค่าของงานอยู่ที่การทดสอบความเป็นไปได้และการตีความ ไม่ใช่หลักฐานสำหรับการใช้ทางคลินิก
preprint ฉบับสมบูรณ์ที่ผู้เขียนจัดส่ง ยังไม่ผ่าน peer review และไม่ใช่หลักฐานสำหรับการใช้ทางคลินิก ต้นฉบับเปิดเผยการใช้ OpenAI ChatGPT และ Google Gemini เพื่อปรับภาษาและไวยากรณ์ โดยผู้เขียนระบุว่าได้สร้างและตรวจสอบเนื้อหาวิทยาศาสตร์ การวิเคราะห์ การตีความ และต้นฉบับสุดท้ายด้วยตนเอง
ระเบียบวิธี
Attention MIL · พยาธิวิทยาทั้งสไลด์
- 01
ใช้ชุดข้อมูล HER2 Tumor ROIs v3 จาก The Cancer Imaging Archive ซึ่งมีสถานะอ้างอิงจาก IHC และ FISH
- 02
ใช้ U-Net แยกเนื้อเยื่อ ปรับสีด้วยวิธี Macenko และตัดภาพย่อยขนาด 512 × 512 พิกเซลแบบไม่ซ้อนกันที่กำลังขยาย 20×
- 03
เปรียบเทียบ ResNet-50 และ EfficientNet-B0 ร่วมกับ mean และ attention-based MIL ด้วยการแบ่งข้อมูลระดับผู้ป่วยชุดเดียวกัน พร้อมรายงานช่วงความเชื่อมั่น 95% และ paired DeLong test
ผลที่รายงาน
ค่าประมาณสูงสุดคือ EfficientNet-B0 แบบ attention-based มี AUC 0.5740 (95% CI 0.4770–0.6917) โดยช่วงความเชื่อมั่นครอบคลุม 0.5
attention ไม่ได้เพิ่มความสามารถในการจำแนกเหนือ mean aggregation อย่างมีนัยสำคัญ (EfficientNet-B0 DeLong p=0.984; ResNet-50 p=0.991) แต่สร้างแผนที่เชิงพื้นที่เพื่อตรวจสอบจุดที่โมเดลสนใจ
AUC 0.574 สะท้อนความสามารถในการจำแนกที่จำกัดและสูงกว่าการสุ่มเพียงเล็กน้อย คุณค่าของงานอยู่ที่การทดสอบความเป็นไปได้และการตีความ ไม่ใช่หลักฐานสำหรับการใช้ทางคลินิก
ภาพจากรายงานต้นฉบับ
ภาพเหล่านี้คัดจากเอกสารต้นฉบับและใส่คำอธิบายเพื่อช่วยอ่านผล ไม่ได้ตกแต่งหรือสร้างขึ้นใหม่
ภาพที่ 1 จาก preprint ฉบับสมบูรณ์: กระบวนการตั้งแต่เลือกเนื้อเยื่อ ตัด patch เข้ารหัสคุณลักษณะ รวมด้วย attention จนถึงการทำนาย HER2 ระดับสไลด์
ภาพที่ 2 จาก preprint ฉบับสมบูรณ์ เส้น ROC ทั้งสี่อยู่ใกล้เส้นจำแนกไม่ได้ (AUC 0.5632–0.5740) จึงสนับสนุนข้อสรุปว่ายังไม่แสดงความสามารถทำนายที่มีประโยชน์ทางคลินิก
ภาพที่ 3 จาก preprint ฉบับสมบูรณ์ สีอุ่นหมายถึงน้ำหนัก attention ที่โมเดลเรียนรู้สูงกว่า ภาพนี้แสดงการให้น้ำหนักของโมเดล ไม่ได้ยืนยันความสำคัญทางพยาธิวิทยาหรือคำอธิบายเชิงสาเหตุ
ภาพที่ 4 จาก preprint ฉบับสมบูรณ์: ตัวอย่าง Grad-CAM ระดับ patch เป็นภาพพฤติกรรมของโมเดลและยังไม่ได้ตรวจสอบเทียบกับคำกำกับของผู้เชี่ยวชาญ
ข้อจำกัด
ขอบเขตของข้อสรุปเป็นส่วนหนึ่งของผลการศึกษา ไม่ใช่เชิงอรรถ
- 01
preprint ฉบับสมบูรณ์ระบุว่ายังขาดจำนวนตัวอย่างวิเคราะห์สุดท้าย การกระจายคลาส ขั้นตอนการคัดออก และการเชื่อมผู้ป่วยกับสไลด์จากรายงานต้นทาง
- 02
ผลยังไม่เพียงพอสำหรับการช่วยตัดสินใจ คัดกรอง หรือเลือกการรักษา
- 03
attention map แสดงจุดที่โมเดลสนใจ แต่ไม่พิสูจน์ความสัมพันธ์เชิงสาเหตุทางพยาธิวิทยา
- 04
ยังต้องมีการทดสอบภายนอกแบบอิสระและการประเมินไปข้างหน้า
ผู้มีส่วนร่วมและธรรมาภิบาล
ผู้เขียน
- Thanakorn BuathongtanakarnSuankularb Wittayalai School
- Poonyapart SirithipvanichSuankularb Wittayalai School
- Taweerungson PanudachtipSuankularb Wittayalai School
อาจารย์ที่ปรึกษา
- Phopnipit SingpruSuankularb Wittayalai School
- Chorawit PromchanSuankularb Wittayalai School
บทบาท
ธนกรมีชื่อเป็นหนึ่งในผู้พัฒนาสามคน รายงานไม่ได้แจกแจงบทบาทรายบุคคลตามกรอบการมีส่วนร่วมอย่างเป็นทางการ
ข้อมูล
การวิเคราะห์ใช้ชุดข้อมูลวิจัยสาธารณะจาก TCIA เว็บไซต์ไม่เผยแพร่ภาพทั้งสไลด์หรือข้อมูลระดับผู้ป่วยซ้ำ
จริยธรรม
โครงงานใช้ชุดข้อมูลวิจัยสาธารณะที่ไม่ระบุตัวบุคคล โปรดดูเอกสารของชุดข้อมูลสำหรับเงื่อนไขความยินยอมและธรรมาภิบาลต้นทาง
ผลประโยชน์ทับซ้อน
รายงานที่ได้รับไม่ได้ระบุผลประโยชน์ทับซ้อน
ทุนสนับสนุน
- National Science and Technology Development Agency (NSTDA)
- National Research Council of Thailand (NRCT)
อ่านและอ้างอิง
ธนกร บัวทองธนะการ, ปุญญพัฒน์ ศิริทิพย์วานิช และทวีรังสันต์ ภาณุเดชทิพย์. Predicting HER2 Status in Breast Cancer Using Attention-Driven Deep Learning on Histopathology Whole-Slide Images. Preprint; 2026. โครงการ 28YMDC01620T.