RESUMO
INTRODUÇÃO: Até 15% dos casos de câncer de mama são classificados como HER2 positivo e 60% são classificados como HER2-low. A detecção desses biomarcadores é essencial para o prognóstico e predição de resposta ao tratamento, mas podem apresentar erros subjetivos. A inteligência artificial (IA) tem se mostrado promissora na avaliação de biomarcadores e, embora tenha apresentado boa acurácia na identificação do HER2, a avaliação de HER2-low ainda permanece a ser investigada. OBJETIVO: Desenvolver um modelo de IA para a detecção de HER2 e Her2-low. MATERIAIS E MÉTODOS: Uma abordagem de aprendizagem profunda foi utilizada em um conjunto de imagens digitalizadas a partir dos casos de câncer de mama HER2 diagnosticados no A.C. Camargo Cancer Center. RESULTADOS: O algoritmo alcançou uma AUC de 0,75 para HER2+ e 0,78 para Her-low. CONCLUSÃO: A performance do modelo é similar a outros estudos para HER2 (negativo vs positivo) e este é o segundo na literatura a descrever a identificação de HER2-low, também com uma acurácia similar. O uso de IA tem o potencial para ser uma ferramenta valiosa na identificação de biomarcadores em casos de câncer de mama diretamente a partir da imagem histológica, podendo auxiliar na escolha do tratamento adequado e no prognóstico do paciente.
INTRODUCTION: Up to 15% of breast cancer cases are classified as HER2 positive and 60% are classified as HER2-low. The identification of these biomarkers is essential for prognosis and prediction of treatment response but can be subject to subjective errors. Artificial intelligence (AI) has shown good accuracy in identifying HER2 but has not been tested for HER2 low. OBJECTIVE: To evaluate the area under the curve (AUC) for the identification of HER2 and HER2-low using a predictive AI model. MATERIALS AND METHODS: Retrospective study of the AC Camargo database with breast cancer cases classified as HER2 negative and positive, defined as those with a score of 0 and 3+ by IH or FISH, respectively. RESULTS: The algorithm achieved an AUC of 0.75 for HER2 and 0.78 for HER2 low. CONCLUSION: The model's performance is like other studies for HER2 and is the second in the literature to describe the identification of HER2 low, also with good accuracy. The use of AI can be a valuable tool in identifying biomarkers in breast cancer cases, helping to choose appropriate treatment and patient prognosis.
Assuntos
Genes erbB-2 , Aprendizado de Máquina , Neoplasias da Mama , Inteligência ArtificialRESUMO
Introducción: la citología permite examinar células de un tejido de manera mínimamente invasiva, sin embargo, la capacidad de realizar técnicas complementarias como la inmunocitoquímica (ICQ) no está exenta de dificultades. Es el objetivo de nuestro trabajo presentar una metodología que permita la utilización de ICQ automatizada asociada a un análisis automatizado mediante técnica de patología digital. Métodos: se incluyeron 5 sujetos sanos y se obtuvieron muestras de superficie ocular utilizando un citocepillo. La muestra fue procesada de manera automatizada mediante citología en fase líquida. Posteriormente se realizó ICQ automatizada para detectar la positividad nuclear del receptor de vitamina D. Para la evaluación, se utilizaron dos métodos: cuantificación directa bajo microscopio de luz y análisis automatizado usando analizador de imágenes en las diapositivas digitales obtenidas con un Scanner. El porcentaje de positividad encontrado con ambos métodos fueron comparados utilizando la prueba de Kappa. Resultados: todas las muestras presentaron una celularidad adecuada. En todos los casos fue posible realizar ICQ automatizada, más aún, todas las muestras presentaron una calidad óptima. Al comparar ambos métodos (manual versus automatizado) se observó un nivel de acuerdo sustancial (Kappa=0,69). Conclusiones: la metodología presentada en este manuscrito permite la evaluación automatizada de marcadores inmunohistoquímicos de la superficie ocular de manera mínimamente invasiva, siendo similar al conteo manual, pero más objetivo y reproducible. Esta técnica podría ser útil para el estudio proteómico en patologías como la enfermedad por ojo seco.
Introduction: Cytology tests use small amounts of tissue samples for diagnosis as a minimally invasive technique; however, the ability to perform complementary methods such as immunocytochemistry (ICC) is not without difficulties. The aim of our work is to present a method that allows the use of automated ICC associated with an automated image analysis using digital pathology. Methods: Five healthy subjects were included, and ocular surface samples were obtained using a cytobrush. The sample was processed as liquid-based cytology. Automated ICC was subsequently performed to detect vitamin D receptor nuclear positivity. Two methods were used for evaluation: manual counting under a light microscope and automated analysis using an image analyzer on digitized slides. The percentage of positivity found in both methods was compared using the Kappa test. Results: All samples presented adequate cellularity. In all cases, it was possible to perform automated ICC; moreover, all samples presented optimal quality. When comparing both methods (manual versus automated), a substantial level of agreement was seen (Kappa=0.69). Conclusions. The method presented in this manuscript allows the minimally invasive automated evaluation of ocular surface ICC markers, being like manual counting but more objective and reproducible. This technique could be useful for proteomic study in pathologies such as dry eye disease.