Введение

В патоморфологической диагностике врачи ежедневно сталкиваются с выполнением достаточно рутинных процедур, на которые тратится значительная часть рабочего времени и ресурса специалиста. Как следствие, возникает усталость, потеря концентрации и внимания, что может приводить к ухудшению качества проведения диагностических мероприятий и ошибкам в заключениях. С большим объемом рутинных операций приходится сталкиваться не только врачам, но и лаборантам, администраторам. Это, в свою очередь, напрямую влияет на качество препаратов, оцифрованных гистологических стекол, приводя к затруднению диагностики, многократному увеличению сроков выдачи гистологических заключений, ошибкам в диагнозах. В связи с этим лаборатория UNIM разрабатывает и внедряет высокотехнологичные решения, в том числе на базе искусственного интеллекта, позволяющие в достаточной степени решать данные проблемы.

Важнейшим этапом пробоподготовки любой цифровой патоморфологической лаборатории является сканирование. Под сканированием понимается оцифровка гистологических стекол на специализированных сканирующих устройствах (гистосканерах, сканирующих микроскопах) для перевода физического препарата в полностью цифровой формат. Используя цифровой препарат, врач патологоанатом может провести диагностику и поставить диагноз из любой точки земного шара, где есть интернет и компьютер. Работающему в цифре врачу крайне важно качество оцифрованных препаратов для проведения качественной диагностики и выдачи заключений без ошибок.

Любые сканеры гистологических стекол по умолчанию запрограммированы заводом-изготовителем на определенные алгоритмы сканирования. Обязательным элементом алгоритма является возможность программы сканера определять и захватывать ткань на предметном стекле, расставлять на ней виртуальные точки, на которых перед и во время сканирования фокусируется линза. Опыт показывает, что предлагаемые производителем «коробочные» программные алгоритмы не всегда работают эффективно. Это проявляется в неполном или отсутствующем захвате ткани на стекле, некорректной или отсутствующей расстановке точек фокусировки на ткани. Получаемые при таком сканировании стекла непригодны для проведения адекватных диагностических мероприятий, в связи с чем врачи отправляют стекла на повторное сканирование. Это значительно повышает сроки выдачи гистологических заключений, вынуждает иметь в штате отдельный персонал для перепроверки руками работы «коробочных» алгоритмов производителей и внесения при необходимости исправлений вручную.

Для решения перечисленных выше проблем, сокращения временных затрат на рутинные процедуры и обеспечения качества цифровых гистологических препаратов лаборатория UNIM разработала вспомогательные инструменты на базе машинного обучения. Цель данной работы — оценить преимущества разработанных решений на примере оценки маркера Ki67 и инструмента для автоматической расстановки точек фокусировки для сканера гистологических стекол.

Цель исследования — уменьшение затрат ресурса врача на выполнение рутинных ручных процедур, сохранение и концентрация внимания врача на действительно важных аспектах диагностики.

Материал и методы

Алгоритм инструмента для автоматической расстановки точек фокусировки для сканера гистологических стекол условно состоит из 5 составляющих:

1. Первоначально на основании алгоритмов компьютерного зрения на снимке выделяется область, на которой лежит ткань. Отсекаются ненужные области сканирования.

2. Далее в изображении на основании порогов в цветовых каналах удаляется фон (стекло), и в цифровом препарате остается только область с тканью.

3. На следующих шагах алгоритм отбрасывает мелкие объекты и артефакты, такие как грязь и потертости.

4. Зная область с тканью и количество сегментов ткани, алгоритм рассчитывает оптимальное количество точек для сканирования. Их не должно быть много, чтобы не увеличивать время сканирования, но достаточно, чтобы не пропустить фокус на всех областях ткани.

5. После этого алгоритм машинного обучения k-means оптимальным образом расставляет нужное количество точек по области с тканью.

Для данного исследования использовалось 500 сканов гистологических стекол.

За основу решения следующего инструмента — автоматической детекции и подсчета ядерной экспрессии приняты алгоритмы компьютерного зрения, а именно сегментационная нейронная сеть класса U-net. Она позволяет выделять и размечать несколько классов клеток на изображении препарата с иммуногистохимической окраской Ki67. На первом этапе использовалась предтренировочная нейронная сеть на открытых источниках данных. Далее выполнялось дообучение сети на приватном источнике данных в 3100 размеченных изображений, за счет чего достигалась ее точность и специфичность. Такого рода сеть хорошо подходит для решения этой задачи, т. к. позволяет достигать попиксельной точности на изображениях этого вида.

Для оценки эффективности разработанного решения сравнивались доля стекол, требующих ручных поправок, а также скорость оценки маркера Ki-67 врачом-патологоанатомом рутинным способом и с помощью разработанного инструмента.

Исследование было проведено на языке программирования Python с использованием внутренней программы Dpatalogy.

Результаты и обсуждение

Ki-67 — маркер пролиферативной активности опухолевых клеток. На иммуногистохимических препаратах он оценивается в процентах как соотношение экспрессирующих и неэкспрессирующих ядер клеток, отражая таким образом, какой процент опухолевых клеток активно делится в данный момент. В стандартной практике, применяющейся в большинстве аналоговых лабораторий мира, врач, используя микроскоп, вручную считает количество окрашенных ядер, далее количество неокрашенных ядер и выводит процентное соотношение между ними. Скорость подсчета — крайне непостоянная величина и напрямую зависит как от внешних факторов, так и от личных особенностей конкретного врача. Путем проведения опроса 38 врачей-патологоанатомов нам удалось оценить среднее значение временного интервала, которое врач тратит на подсчет в соответствии с руководствами. Оно составило 20—30 мин на стекло.

Разработанное на основе машинного обучения решение UNIM выполняет оценку маркера Ki-67 за 7—10 с. Точность получаемого результата составляет 98%. Врач имеет возможность проверить работу нейросети (см. рисунок на цв. вклейке).

Рис. 1. Пример работы инструмента на практике.

Рис. 2. Пример расстановки алгоритмом точек фокусировки.

Разработанный в лаборатории UNIM инструмент для автоматической расстановки точек фокусировки для сканера гистологических стекол на основе машинного обучения с высокой точностью захватывает ткань на предметном стекле, равномерно, в достаточном количестве распределяет точки фокусировки линзы по захваченной ткани.

Доля стекол, требующих ручных поправок, снизилась с 40 до 3%. У персонала, перепроверяющего работу «коробочных» алгоритмов и ручную расстановку точек фокусировки, высвободилось значительное время для другой работы. Экономия трудозатрат с учетом работы 4 сканеров составила около одной рабочей ставки.

Разработанные инструменты позволили лаборатории UNIM установить время выдачи гистологических заключений для заказов, требующих в том числе и иммуногистохимических окрасок, от 3 до 7 дней. Это существенно меньше по сравнению с лабораториями, использующими аналоговые технологии и выдающими заключения для таких препаратов от 10 дней до 1 мес.

Заключение

На основании обратной связи врачей-патоморфологов сделан вывод, что внедрение вспомогательных инструментов на основе машинного обучения значительно сократило время проведения рутинных ручных операций, снизило время выдачи гистологических заключений и свело к минимуму количество возможных ошибок. Приобретя положительный опыт, лаборатория UNIM внедряет и другие решения на основе машинного обучения, а также реализует проекты по улучшению и оптимизации работы специалистов различных уровней и ролей.

Авторы заявляют об отсутствии конфликта интересов.