Инновационный подход к обнаружению предраковых поражений с использованием больших изображений с высоким разрешением.

В новом исследовании представлен инновационный подход к решающему выявлению предраковых поражений с использованием больших изображений с высоким разрешением. Группа исследователей из Португалии разработала решение для машинного обучения, которое помогает патологоанатомам в обнаружении дисплазии шейки матки, делая диагностику новых образцов полностью автоматической. Это одна из первых опубликованных работ, в которой используются полные слайды.

По данным Всемирной организации здравоохранения (ВОЗ), рак шейки матки является четвертым наиболее частым видом рака среди женщин: в 2020 году было зарегистрировано около 604 000 новых случаев заболевания. Тем не менее, это также один из наиболее успешно предотвратимых и излечимых видов рака, при условии, что он выявлен на ранней стадии и правильно лечится. Следовательно, скрининг и выявление предраковых поражений (и вакцинация) имеют решающее значение для предотвращения заболевания.

Но что, если бы мы могли разработать модели машинного обучения, чтобы помочь субъективной классификации поражений в плоском эпителии — типе эпителия, который выполняет защитные функции от микроорганизмов — с использованием изображений всего предметного стекла (WSI), содержащих информацию обо всей ткани.

В этом смысле группа исследователей из Института системной и компьютерной инженерии, технологий и науки (INESC TEC) и лаборатории молекулярной и анатомической патологии IMP Diagnostics в Португалии разработала методологию со слабым контролем — метод машинного обучения, который объединяет аннотированные и неаннотированные данные во время обучения модели – для оценки дисплазии шейки матки.

Это особенно полезно, учитывая, что аннотации данных патологии получить сложно: изображения огромны, что делает процесс аннотирования очень трудоемким и утомительным, в дополнение к его высокой субъективности. Этот тип техники позволяет исследователям разрабатывать модели с хорошими характеристиками даже при отсутствии некоторой информации на этапе обучения модели.
Затем модель оценит дисплазию шейки матки, аномальный рост клеток на поверхности, как внутриэпителиальные плоскоклеточные поражения низкой (LSIL) или высокой степени (HSIL).

При обнаружении дисплазии шейки матки это была одна из первых опубликованных работ, в которых используются полные слайды, следуя подходу, который включает сегментацию и последующую классификацию интересующих областей, что делает диагностику новых образцов полностью автоматической».

Сара Оливейра, исследователь, INESC TEC

Потенциал «большой картины»

Этот процесс классификации сложен и может быть «субъективным». Следовательно, разработка моделей машинного обучения может помочь патологоанатомам в решении этой задачи; кроме того, важную роль играет компьютерная диагностика (CAD): эти системы могут служить первым признаком подозрительных случаев, предупреждая патологоанатомов о случаях, которые требуют более тщательного изучения.

Сара Оливейра подчеркнула, что даже разработка CAD-систем для поддержки принятия решений в цифровой патологии далека от полного решения. «На самом деле, вычислительная патология все еще является относительно новой областью, в которой нужно решить множество проблем, чтобы модели машинного обучения могли эффективно приблизиться к клиническому применению», — отметила она.

Существует также компромисс в использовании WSI, и наиболее распространенные подходы сосредоточены на ручном вырезании небольших областей слайдов. WSI обычно представляют собой большие изображения с высоким разрешением (часто более 50 000 × 50 000 пикселей); поэтому их нелегко адаптировать к графическим процессорам (GPU), используемым для обучения моделей глубокого обучения.

«Несмотря на многообещающие результаты, тот факт, что эти подходы требуют ручного выбора областей для классификации, фокусируясь только на небольших областях (принимая во внимание размер слайда), делает их более хрупкими с точки зрения реализации», — заявили в компании. Исследователь.

Обучение модели сегментации

Каркас включает в себя этап сегментации эпителия, за которым следует классификатор дисплазии (неопухолевой, LSIL, HSIL), что делает оценку слайдов полностью автоматической, без необходимости ручной идентификации эпителиальных областей. «Предложенный подход к классификации достиг сбалансированной точности 71,07% и чувствительности 72,18% при тестировании на предметном стекле на 600 независимых образцах», — пояснил ведущий автор исследования.

Для обучения модели сегментации исследователи использовали все аннотированные слайды (186) с 312 фрагментами ткани. Результаты показывают, что «только в очень редких случаях модель не может распознать большую часть эпителия или ошибочно идентифицировать значительную область».

После первого этапа сегментации исследователи использовали выявленные ROI, чтобы сосредоточиться на классификации, что позволило использовать неаннотированный WSI для обучения и автоматической диагностики невидимых случаев. Затем классификатор может диагностировать степень дисплазии по фрагментам этих областей.

В этом решении для обучения модели классификации использовались 383 аннотированных эпителиальных региона, разделенных на наборы для обучения и проверки. Исследователи протестировали разные модели и, выбрав лучшую из них, в попытке использовать задачу обучения классификации, они повторно обучили версию, добавив несколько отдельных помеченных плиток в обучающий набор (263). Путем объединения выбранной плитки каждой области эпителия, которая имеет только метку соответствующего мешка, с плитками, которые имеют определенную связанную метку, процесс выбора плитки был улучшен.

Наконец, чтобы воспользоваться преимуществами полного набора данных, команда повторно обучила модель, добавив наборы плиток из неаннотированных слайдов (1198).

Ведущий исследователь документа подчеркивает, что будущая работа может быть направлена ​​на уточнение обеих частей модели (сегментация и классификация), а также на оценку полностью интегрированного подхода.

Тестовый набор из 600 образцов, использованный в текущем исследовании, был выбран из набора данных IMP Diagnostics и доступен «по обоснованному запросу».

«В IMP Diagnostics мы инвестируем в улучшение диагностики рака шейки матки и, таким образом, в здоровье женщин. Этот инструмент является шагом вперед к более эффективному выявлению предраковых поражений», — заключает Диана Монтесума Фелизардо, патологоанатом и руководитель отдела исследований и разработок в IMP. Диагностика.