-
课题研究背景
乳腺癌是全球女性发病率最高的癌症，且在大多数国家成为导致死亡的主要原因。
我国乳病例占全世界新诊断乳腺癌的12.2%，占全世界乳腺癌死亡病例的9.6%。据研究
，HER2（人表皮生长因子受体-2）是具有酪氨酸激酶活性的跨膜蛋白受体，在约15-20％的乳腺癌中存在扩增或过表达现象。根据指南，HER2定量分析是浸润性乳腺癌必要检测项目，是重要乳腺癌预后判断因子，若结果不明确还会使用原位杂交（ISH）技术以评估HER2的扩增。同时FDA批准了“赫赛汀”和“拉帕替尼”用作针对HER2阳性乳腺癌的靶向药物。在计算机方面，深度学习已经被广泛应用在医学图像信息处理中，并取得了巨大成就。
- 课题研究意义
本课题针对深度学习在数字病理分析中的诸多优势，且乳腺癌患者HER2的表达状态与乳腺癌某些形态学特征的相关性，通过常规的组织病理切片，构建深度学习模型来预测HER2的表达状态。模型能够节省医生诊断时间和成本，降低医生的疲劳感，辅助提高诊断准确率。模型有利于乳腺癌的预后判断，同时可以据此合理用药，提高乳腺癌患者的生存率，促进精准医疗的发展。
- 拟解决的问题
根据已标注的乳腺癌组织病理切片训练深度学习模型，使其能够根据病人相应的病理切片预测出分子分型的结果，同时此结果能达到一定的准确度
-
研究主要内容
1.获取ECDP2020比赛的已标注病理切片数据；
2.获取医院患者的常规组织病理切片，并标注阳性区域；
3.基于已有数据搭建深度学习模型，训练模型，验证模型；
4.分析结果并改进模型，使其达到一定准确率；
5.分析训练结果，总结深度学习对预测乳腺癌患者HER2表达状态的一般意义。
- 研究方法和步骤
1. 从European Congress on Digital Pathology （ECDP）获取已标注的乳腺癌病理切片数据；
2. 获取医院患者常规组织乳腺癌病理切片，并根据病理专家的诊断确定阴性，阳性切片。
3. 利用keras编写代码搭建深度学习模型，80%的病理切片作为训练集，20%为验证集；
对HER2表达状态的分类为两种情况：阳性、阴性进行分类训练。其中针对结果不明确而使用ISH检测的切片也归属于阴性或者阳性。即阳性（阳性，ISH检测阳性），阴性（阴性，ISH检测阴性）。
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
