Background: Modern computer systems allow digitizing and examining images of histological preparations, which led the authors to the idea of using machine learning tools in digital pathohistology. The ability of neural networks to find sub-visual image features in digitized histological preparations provides the basis for better qualitative and quantitative image analysis. Existing machine learning methods provide good accuracy and speed in recognizing various images, which gives hope for their wide application, including in oncologic diagnostics.
AIM: Use methods of mathematical modeling to identify pathological mitoses in histological preparations as the main sign of the difference between malignant and benign tumor growth.
MATERIALS AND METHODS: Histological images of the N.N. Priorov National Medical Research Center of Traumatology and Orthopedics were used as a data set for the neural network model. The model was tested using 188 histologic slides from 67 patients treated at the institute. Histological preparations were scanned on a Leica Aperio CS2 microscope with a ×400 resolution and converted into JPEG format with further processing. Next, the test images were analyzed in streaming mode using the created neural network model in order to obtain the coordinates of the desired diagnostic object — pathological mitosis and the probability with which the model found the object of this category. The obtained images were analyzed by a pathologist to determine whether the detected object corresponded to pathological mitosis.
RESULTS: The authors have chosen an architecture, developed a methodology for training a neural network, and created a model that can be used to detect pathologic mitoses in histologic preparations. The authors do not attempt to replace the physician, but show the possibility of an integrated approach to data analysis by a computer system and a pathologist.
Conclusions: The developed mathematical model of neural network used as a part of technological solution for recognizing pathological mitoses in scanned histological preparations can be used as a tool to reduce the time of research and increase the accuracy of diagnosis by a pathologist.
Обоснование. Современные компьютерные системы позволяют оцифровывать и исследовать изображения гистологических препаратов, что натолкнуло авторов на идею использования инструментов машинного обучения в цифровой патогистологии. Возможности нейронных сетей находить субвизуальные особенности изображения на оцифрованных гистологических препаратах создают основу для лучшего качественного и количественного анализа изображений. Существующие методы машинного обучения дают хорошие показатели по точности и скорости при распознавании различных изображений, что позволяет надеяться на их широкое применение, в том числе и в онкологической диагностике.
Цель. Использовать методы математического моделирования для выявления патологических митозов в гистологических препаратах как основного признака различия злокачественного и доброкачественного опухолевого процесса.
Материалы и методы. В качестве набора данных для модели нейронной сети применялись гистологические изображения НМИЦ травматологии и ортопедии им. Н.Н. Приорова. Тестирование модели выполнено с помощью 188 гистологических стёкол 67 пациентов, проходивших лечение в институте. Гистологические препараты были отсканированы на микроскопе Leica Aperio CS2 с разрешением ×400 и преобразованы в формат JPEG с последующей обработкой. Далее в потоковом режиме был выполнен анализ тестовых изображений с использованием созданной модели нейронной сети с целью получения координат искомого объекта диагностики — патологического митоза и вероятности, с которой модель находила объект данной категории. Полученные изображения были проанализированы врачом-патологоанатомом на предмет соответствия выявленного объекта патологическому митозу.
Результаты. Авторы выбрали архитектуру, разработали методологию обучения нейронной сети и создали модель, которую можно использовать для обнаружения патологических митозов в гистологических препаратах. Авторы не пытаются заменить врача, а показывают возможность комплексного подхода к анализу данных компьютерной системой и врачом-патологоанатомом.
Заключение. Разработанная математическая модель нейронной сети, используемая в составе технологического решения для распознавания патологических митозов в отсканированных гистологических препаратах, может применяться как инструмент для сокращения времени исследования и повышения точности диагностики врача-патологоанатома.