用于常规 H&E 切片的轻量级 HER2 判读器：真实世界部署

arXiv:2610.40662v1 公告类型：交叉收录 摘要：HER2 状态决定哪些患者接受 HER2 靶向治疗。病理医师通过免疫组织化学（IHC）对 HER2 蛋白表达进行评分；结果不明确的 IHC 2+ 肿瘤是最难判读的病例，需要等待原位杂交（ISH）检测。我们构建了一个用于常规 H&E 切片、全流程自主掌控的 HER2 判读器，为病理医师提供基线参考。我们在公开的 TCGA 切片上，通过自监督学习、从 H-optimus-0 蒸馏以及两轮 JEPA 优化，训练了一个具有 2200 万参数的 ViT-S/16 图块编码器；对五个经交叉验证、基于注意力机制的切片分类器输出的概率取平均值；并在训练数据上确定固定的工作点。在同一套配对的十随机种子方案下进行比较时，基于我们编码器的判读器在从 TCGA-BRCA 到 Yale-HER2 的外部验证中位居 7 种方法之首（AUC 0.812），与基于参数规模分别为其 4 倍和 50 倍的编码器的判读器表现相当。我们还在公开队列上重建了 PathBench 的编码器基准测试；复现结果再现了其已发表的参考编码器排名，在该基准下，我们的编码器在 TCGA-BRCA 上位居 7 种编码器之首（0.689），在 Yale-HER2 上则与 H-optimus-0 和 Phikon 表现相当（0.897）。在三家外部医院的数据上，我们部署的判读器在 Yale-HER2 上达到 0.82 的 AUC（对训练切片的组织大小进行均衡后约为 0.81），在 HEROHE 上为 0.75，在 BCNB 活检样本上为 0.63；在 HEROHE 的 85 例 IHC 2+ 病例中，其区分 ISH 扩增与未扩增肿瘤、使扩增肿瘤获得更高评分的 AUC 为 0.76，是我们所有基于 TCGA 训练的判读器中表现最好的。按实验室进行评分归一化并使用该实验室自身的切片，可进一步提升其在新机构中的表现。在不使用 GPU 的情况下，我们的判读器处理每张切片需要 5–6 秒。它已作为仅供研究使用的预判读工具集成于一个病理平台，在 IHC 结果旁提供预测概率和判定结果，并帮助为结果不明确的病例确定 ISH 检测的优先顺序。模型权重、逐张切片的预测结果以及每幅图背后的数据均已公开，地址为 https://huggingface.co/cloudkites/her2-reader。