[논문 리뷰] Automated HER2 scoring with uncertainty quantification using lensfree holography and deep learning

Che-Yung Shen, Xilin Yang외 3명|arXiv (Cornell University)|2026. 01. 26.

Digital Holography and Microscopy인용 수 0

한 줄 요약

이 논문은 심층 학습과 베이지안 불확실성 정량화로 자동 HER2 점수를 매기기 위한 컴팩트한 렌즈프리 홀로그래피 플랫폼을 제시하며, 자원 제한 환경에서 높은 정확도와 견고한 예측을 달성합니다.

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.

연구 동기 및 목표

• 캡처 HER2 조직 회절 패턴을 위한 컴팩트하고 비용 효율적인 렌즈프리 홀로그래피 시스템 개발으로 자동 점수를 가능하게 한다.
• 캡처된 데이터로 4-class 및 바이너리 HER2 분류를 수행하도록 딥 러닝 모델을 통합한다.
• 각 샘플에 대한 예측 신뢰도 추정을 제공하기 위해 베이지안 몬테카를로 드롭아웃을 도입한다.
• 블라인드 테스트 세트에서 시스템 성능을 평가하고 참조 HER2 점수 매김 지표와 비교한다.

제안 방법

• RGB 레이저 조명 아래 약 1,250 mm^2의 획득 면적에서 약 84 mm^2/min 처리 속도로 면역조직화학염색된 유방 조직의 렌즈프리 회절 패턴을 캡처한다.
• 딥 러닝 모델을 적용하여 HER2 점수를 예측(0, 1+, 2+, 3+) 및 바이너리(0/1+ 대 2+/3+) 분류를 수행한다.
• 각 샘플에 대한 자율적 예측 신뢰를 얻기 위해 베이지안 몬테카를로 드롭아웃을 도입한 불확실성 정량화를 적용한다.
• 임상 유사 워크플로에서 신뢰성을 평가하기 위해 블라인드 데이터 세트에서 수정률과 전반적 성능을 보고한다.

실험 결과

연구 질문

• RQ1 렌즈프리 홀로그래피 플랫폼이 표준 디지털 병리학과 비교하여 임상적으로 관련된 HER2 점수 산정 성능을 달성할 수 있는가?
• RQ2 베이지안 몬테카를로 드롭아웃이 강건한 HER2 예측을 지원하는 의미 있는 불확실성 추정치를 제공하는가?
• RQ3 이 렌즈프리 프레임워크에서 4-class 대 바이너리 HER2 점수 매김의 정확도 상승 및 신뢰성 트레이드오프는 무엇인가?
• RQ4 자원 제한 환경에서도 확장 가능하고 처리량이 충분한가?
• RQ5 제안된 시스템이 블라인드 데이터에서 정확도와 수정률 측면에서 얼마나 성능을 보이는가?

주요 결과

• 블라인드 테스트 세트 412개 샘플에 대해 4-class (0, 1+, 2+, 3+) HER2 분류에서 84.9% 테스트 정확도 달성.
• 불확실성 정량화를 통한 바이너리 (0/1+ 대 2+/3+) HER2 점수 매김에서 94.8% 정확도 달성.
• 약 1,250 mm^2의 획득 면적에서 RGB 레이저 조사하에 초당 약 84 mm^2의 처리량 시연.
• 각 예측에 대해 자율적인 불확실성 추정치를 제공하는 베이지안 몬테카를로 드롭아웃을 통합, 강건한 점수 매김 지원.
• 불확실성 정보를 반영한 예측 맥락에서 전체 수정률 30.4% 보고.
• 전통적 디지털 병리학이 부족한 자원 제한 환경에서 휴대성, 고처리량, 비용 효율성을 옹호.