EHMOA-net：精准预测乳腺癌 HER2状态的创新模型

乳腺癌是女性常见癌症，HER2状态对其预后和治疗意义重大。现有 HER2预测方法精度不足，研究人员提出 EHMOA-net 模型用于组织病理图像分析。该模型预测准确率达 97.85%，为临床应用提供了有力支持。

　　在女性健康的领域中，乳腺癌犹如一颗 “定时炸弹”，严重威胁着众多女性的生命。据统计，乳腺癌的死亡率高达 15.5%，它是一种极为复杂的异质性疾病，肿瘤微环境如同一个错综复杂的生态系统。在乳腺癌的发展进程中，位于染色体上的人表皮生长因子受体 2（HER²）蛋白扮演着至关重要的角色，其状态对于判断乳腺癌患者的预后以及制定治疗策略起着决定性作用 。

目前，在乳腺癌 HER²状态检测方面，虽然已经存在多种技术手段。例如免疫组织化学（IHC）可以初步评估和量化癌细胞表面的 HER²/neu 蛋白，通过打分（0、1+、2+、3+）来判断 HER²/neu 在癌组织中的表达情况，但人工评分不仅效率低，还容易出现误差 。即便有自动 HER²/neu 检测技术，但整体预测准确率仍不尽人意。在这样的背景下，开展能够更精准预测 HER²状态的研究迫在眉睫。

为了解决这一难题，研究人员开展了深入研究，并将成果发表在《Biochemical and Biophysical Research Communications》上。研究人员致力于通过创新的技术手段，提高 HER²状态预测的准确性，为乳腺癌的临床治疗提供更可靠的依据。

研究人员在此次研究中运用了多种关键技术方法。首先，利用基于编码器 - 解码器的混合权重对齐与多扩张 U 型网络（EDMDU）模型对来自癌症基因组图谱（TCGA）数据集的全切片图像（WSI）进行 Patch 分割；接着，对分割后的 Patch 和来自 BCI 数据集的图像进行增强 Macenko 染色归一化预处理；采用改进的非下采样剪切波变换进行特征提取；运用混合增强粗糙 k 均值聚类和模糊 C 均值（HERFCM）算法对相邻且特征相似的图像 Patch 进行聚类；最后，借助集成视觉注意力网络的嵌套图神经网络进行 HER²状态预测 。

下面来看具体的研究结果：

• 图像分割与预处理：通过 EDMDU-net 模型对高分辨率的 WSI 进行分割，将其前景与背景分离，并进一步把前景划分为 512×512 的 Patch，之后对图像进行增强 Macenko 染色归一化，去除背景噪声，为后续分析奠定基础。
• 特征提取与聚类：利用改进的非下采样剪切波变换有效地提取图像特征，再通过 HERFCM 算法将具有相似特征的相邻图像 Patch 聚成一类，便于更好地组织和分析图像信息。
• HER²状态预测：运用集成视觉注意力网络的嵌套图神经网络（NGAN）对处理后的图像进行 HER²状态预测。该模型基于坐标注意力机制，能够有选择性地聚焦于输入图像的不同频率，突出相关信息，抑制无关细节，从而大大提高了 HER²状态预测的准确性。

在研究结论和讨论部分，研究人员提出的增强混合模型与优化注意力网络（EHMOA-net）成功地将 HER²状态预测准确率提升至 97.85%，远超现有技术水平。这一成果具有重大意义，它为乳腺癌的临床诊断和治疗提供了更精准的依据。借助 EHMOA-net 模型，医生能够更准确地判断患者的 HER²状态，从而为 HER²阳性的早期乳腺癌患者制定更具针对性的治疗方案，有望进一步降低患者的死亡率。同时，该模型在临床应用方面展现出巨大的潜力，或许未来能够成为乳腺癌诊断的重要辅助工具，为全球众多乳腺癌患者带来新的希望 。