С целью персонализации подходов в медицине все чаще клинические и демографические данные интегрируют в номограммы с целью прогностического использования. Цифровое изображение материала в сочетании с новыми алгоритмами анализа изображений предлагает большие перспективы в качестве вспомогательного инструмента для патологоанатома в области скрининга, обеспечение качества, согласованности и количественного определения материала. Недавно была представлена программа пространственно инвариантного вектора квантования (spatially invariant vector quantization — SIVQ) с использованием геометрических преимуществ кольцевых векторов для сопоставления с шаблоном. При этом остается потребность в демонстрации и оптимизация SIVQ для верификации между ключевыми (злокачественные новообразования эпителия) и фоновыми (нормальная паренхима, строма, сосуды, воспалительные клетки). Особенно важным является определение относительного вклада каждого ключа SIVQ в соответствующий параметр по общей производительности выявления алгоритма. С данной целью проведено тестирование SIVQ, в котором она должна была идентифицировать клетки уротелиальной карциномы от клеток интактных участков ткани. Относительно верификации данный вид рака является проблемным даже для опытных специалистов, что объясняется его высокой полиморфностью.
По словам разработчиков программы, такое тестирование должно стать ключевым в определении дальнейшей доли внедрения цифровых элементов в гистологическую диагностику в клинических условиях.
Чтобы проверить способность программного обеспечения верифицировать раковые клетки в цифровых слайдах, группой патологоанатомов была вручную сведена информация, которую потом использовали в качестве золотого стандарта при сортировке результатов программы.
Диагностика рака и других патологических состояний по гистологическим срезам всегда была сочетанием науки и искусства. Патологоанатомы, как правило, долго изучают образцы тканей в поиске аномальных структур и особенностей, и разные специалисты — или даже один и тот же патологоанатом, но в разное время — могут прийти к разным выводам в зависимости от ряда факторов.
Цифровые технологии и программное обеспечение, такое как SIVQ, могут помочь патологоанатомам быстро, точно и эффективно идентифицировать особенности изучаемого материала на слайде, вычислить площадь полиморфных участков, подсчитать мелкие элементы, учесть все особенности. Безусловно, программу не стоит рассматривать как полноценную замену работы патологоанатома, а лишь как дополнительный ресурс, облегчающий его работу.
Hipp J., Smith S.C., Cheng J. et al. (2012) Optimization of complex cancer morphology detection using the SIVQ pattern recognition algorithm. Anal. Cell. Pathol. (Amst.), 35(1): 41–50.
University of Michigan Health System (2012, January 13) Software for analyzing digital pathology images proving its usefulness. ScienceDaily (http://www.sciencedaily.com/releases/2012/01/120113093820.htm).
Анна Городецкая
© Jubalharshaw19/Dreamstime.com/Dreamstock.ru
