[論文レビュー] Automated HER2 scoring with uncertainty quantification using lensfree holography and deep learning

Che-Yung Shen, Xilin Yang+3 more|arXiv (Cornell University)|Jan 26, 2026

Digital Holography and Microscopy被引用数 0

ひとこと要約

この論文は、深層学習とベイジアン的不確実性評価を用いたコンパクトなレンズフリーホログラフィー・プラットフォームを提示し、資源制約的な環境で乳腺組織のHER2スコアリングを自動化し、高精度かつ頑健な予測を実現します。

ABSTRACT

Accurate assessment of human epidermal growth factor receptor 2 (HER2) expression is critical for breast cancer diagnosis, prognosis, and therapy selection; yet, most existing digital HER2 scoring methods rely on bulky and expensive optical systems. Here, we present a compact and cost-effective lensfree holography platform integrated with deep learning for automated HER2 scoring of immunohistochemically stained breast tissue sections. The system captures lensfree diffraction patterns of stained HER2 tissue sections under RGB laser illumination and acquires complex field information over a sample area of ~1,250 mm^2 at an effective throughput of ~84 mm^2 per minute. To enhance diagnostic reliability, we incorporated an uncertainty quantification strategy based on Bayesian Monte Carlo dropout, which provides autonomous uncertainty estimates for each prediction and supports reliable, robust HER2 scoring, with an overall correction rate of 30.4%. Using a blinded test set of 412 unique tissue samples, our approach achieved a testing accuracy of 84.9% for 4-class (0, 1+, 2+, 3+) HER2 classification and 94.8% for binary (0/1+ vs. 2+/3+) HER2 scoring with uncertainty quantification. Overall, this lensfree holography approach provides a practical pathway toward portable, high-throughput, and cost-effective HER2 scoring, particularly suited for resource-limited settings, where traditional digital pathology infrastructure is unavailable.

研究の動機と目的

• 自動的なスコアリングのためにHER2組織の回折パターンを捕捉する、コンパクトでコスト効率の良いレンズフリーホログラフィーシステムを開発する。
• 取得したデータから4クラスおよび二値のHER2分類を実行する深層学習を統合する。
• 各予測の不確実性推定を提供するためにベイジアン Monte Carlo dropout を組み込む。
• ブラインドデータセット上でシステム性能を評価し、参照HER2スコアリング指標と比較する。

提案手法

• 約1,250 mm^2の走査エリアに対して、RGBレーザー照射下で、約84 mm^2/min のスループットで免疫組織化学染色済み乳腺組織のレンズフリーディフラクションパターンを取得する。
• 深層学習モデルを適用してHER2スコア(0, 1+, 2+, 3+)と二値(0/1+ 対 2+/3+)分類を予測する。
• 各サンプルの自律的な予測信頼度を得るために、ベイズモンテカルロドロップアウトを導入する。
• ブラインドデータセットでの修正率と全体的な性能を報告し、臨床類似のワークフローでの信頼性を評価する。

実験結果

リサーチクエスチョン

• RQ1 レンズフリーホログラフィー プラットフォームは標準デジタル病理と比較して臨床的に関連するHER2スコアリング性能を達成できるか？
• RQ2 ベイズモンテカルロドロップアウトは robust HER2 predictions を支える意味のある不確実性推定を提供するか？
• RQ3 このレンズフリーフレームワークにおける4クラス vs 二値HER2スコアリングの精度向上と信頼性のトレードオフは？
• RQ4 資源制約環境でのスケーラビリティとスループットは十分か？
• RQ5 ブラインドデータに対する精度と修正率は？

主な発見

• ブラインドテストセット（412サンプル）で4クラス（0, 1+, 2+, 3+）HER2分類のテスト精度を84.9%達成。
• 不確実性推定付きの二値（0/1+ 対 2+/3+）HER2スコアリングで94.8%の精度を達成。
• RGBレーザー照射を用い約1,250 mm^2の取得エリアで約84 mm^2/minのスループットを実証。
• 各予測に対して自律的な不確実性推定を提供するベイズモンテカルロドロップアウトを統合し、頑健なスコアリングを支える。
• 不確実性情報に基づく予測の文脈で全体の修正率を30.4%と報告。
• 伝統的なデジタル病理が乏しい資源制約下での携帯性、高スループット能力、コスト効果を主張。