组织病理学评估肿瘤标本长期以来一直是诊断乳腺癌和指导临床决策的关键。然而，在日常诊断中，一个主要挑战是在评估预后标志物时存在观察者之间和实验室之间的差异，这可能导致患者的过度或治疗不足。
随着病理实验室的数字化进程，计算病理学得到了发展，显示出改进常规和精准诊断的潜力，并为病理学家和治疗医生提供决策支持，从而改善乳腺癌护理。深度学习作为更广泛的人工智能（AI）的一部分，在超越传统病理学方面展示了潜力，通过改善风险评估、预后预测和治疗反应预测，提供新的可能性以更好地照顾患者。这种被称为基于AI的精准病理学的方法提供了更好的患者护理机会。
阿宾纳夫·夏尔马（Abhinav Sharma）在其博士论文中，开发和验证了基于深度学习的模型，用于通过常规染色的肿瘤组织标本来改进乳腺癌诊断。
最重要的研究结果有哪些？
“我的论文包括四个不同的研究，以下是部分关键发现：在第一个研究中，我们开发和验证了一个模仿临床组织学等级的深度学习模型（predGrade），该模型可以基于H&E染色的全切片图像（WSIs）将侵袭性乳腺癌分为三个等级。该模型展示了减少观察者之间和实验室之间差异的潜力，为乳腺癌组织学分级提供了一个更可重复和稳健的临床决策支持工具。
在第二个研究中，我们在瑞典两个独立的医院站点验证了一种用于乳腺癌风险分层的AI解决方案——Stratipath Breast。在这项回顾性验证研究中，Stratipath Breast显著提高了中等风险乳腺癌患者的预后风险分层，进一步改善了辅助化疗的分配，避免了患者的过度或治疗不足。
在第三个研究中，我们引入了一种称为Wsi rEgion sElection approach（WEEP）的方法，用于空间解释基于深度学习的弱监督模型。这种方法可以为AI模型的决策提供见解，有助于研究和诊断应用。
在第四个研究中，我们开发了一个基于深度学习的多染色预后风险评分预测模型，使用常规染色的WSIs进行乳腺癌患者的预后风险评分预测。我们发现在使用局部和空间对齐的多种染色组合时，预后风险评分预测有所改善，与单独使用染色相比，这可能为乳腺癌患者提供更好的风险分层。”
未来研究应关注哪些方面？
“我有生物工程的跨学科背景，一直热衷于在生物学和技术交叉领域工作。最近将人工智能应用于医疗保健，特别是在改善诊断和为癌症患者提供个性化治疗方面的进展，引起了我的极大兴趣。”
(全文结束)
