1. Введение
Цифровые системы и алгоритмы обработки информации в медицине с использованием технологии искусственного интеллекта (ИИ) и нейросетей все чаще приковывают внимание и интерес в научном мире. Возможности обработки значительных объемов информации и работа со значительными датасетами позволяют ускорить процесс получения необходимой информации и свести до минимума время, необходимое на реализацию полученной информации. Возможности ИИ все чаще изучаются в контексте прикладного использования в мире медицины, где существует колоссальная потребность в алгоритмах поиска и обработки снимков, результатов исследований, сочетанию симптомов и клинических проявлений.
С точки зрения цифровой патологии, технологии ИИ позволяют выявить закономерности и определить морфологические паттерны различных заболеваний путем поиска общих черт проявлений среди множества биоптатов и микроскопических исследований структур.
Нейросети являются одними из важнейших технологических достижений современного времени, позволяющих ускорить синтез информации с целью получения общих закономерностей и «паттернов». Впервые термин «Нейросети» был предложен Джоном МакКарти в 1956 г.
[1]
Работа с нейросетями начинается с формирования датасета, состоящего из большого массива одно- или разнородной информации, необходимой к анализу и обработке
[2][1][3]
При обучении нейросетей и определении методики функционирования ИИ в медицине необходимо учитывать механизм работы различных видов нейросетей. Так, при обучении ИИ возможно использование машинного обучения (machine learning), основанного на работе с датасетами. Другим возможным видом функционирования является компьютерное видение (computer vision), при котором нейросеть способна обучаться на снимках, видеозаписях и выдавать общий результат посредством анализа графических изображений
[4][5]
В последние годы нейросети в медицине получили значительное распространение в различных областях и сферах
[6][7][8][1][9]
Синдром Шегрена (CШ) является системным аутоимунным заболеванием, с высоким риском развития лимфопролиферативного заболевания, неизвестной этиологии. Преимущественно поражаются экзокринные органы с развитием паренхиматозного сиаладенита с ксеростомией и сухого кератоконъюнктивита с гиполакримией.
Высокая иммунологическая активность СШ способствует развитию локализованных (70%) и диссеминированных (30%) MALT-лимфом c первичным поражением слюнных желез, а также трансформацией в Т- и В-клеточные лимфомы при несвоевременной их диагностике. Оптимальным методом профилактики развития неходжкинских лимфом у этих пациентов считаются ранняя диагностика CШ и назначение анти-В-клеточной терапии на ранних стадиях заболевания.
Биопсия малых слюнных желез широко используется в диагностике СШ является неотъемлемой частью диагностического процесса. Достоверный диагноз заболевания и своевременное назначение терапии основано на определении морфологической формы и индекса активности сиаладенита. В современных условиях цифровизации обучения специалистов возможно дистанционно на размеченных сканах гистологических препаратов.
В соответствие с протоколом международного клинического центра по изучению синдрома Шегрена определение индекса морфологической активности при очаговом лимфоцитарном сиаладените является диагностическим критерием заболевания. Лимфоцитарный сиаладенит является показанием для иммуногистохимического исследования с целью раннего выявления лимфопролиферативного заболевания
[10]
Цель исследования:
создание базы морфологических изображений, позволяющих создавать решения для автоматизированного анализа биоптатов малых слюнных желез, результатом которого должен стать один из вариантов медицинского заключения: «норма» — правильное строение паренхимы; «воспаление» — наличие очагов лимфогистиоцитарных инфильтратов; «лимфоцитарный сиаладенит» — показание для иммуногистохимического исследования с целью выявления лимфопролиферативного процесса; «липоматоз» — атрофия паренхимы и замещение ее клетчаткой; «склероз» — атрофия паренхимы и замещение ее соединительной тканью.
2. Методы и принципы исследования
Для исследования была сформирована база данных из 65 пациентов, возрастом от 24 до 68 лет, с клиническим достоверным диагнозом СШ, возрастная медиана — 41 год. Кроме этого, были включены 17 биоптатов без разметки больных СШ с поражением малых слюнных желез.
Соотношение количества женщин и мужчин — 38:3.
У каждого больного с целью морфологической верификации диагноза была взята биопсия из малых слюнных желез. В каждом препарате было от 4 до 6 малых слюнных желёзок. Гистологическое заключение в зависимости от выраженности воспаления в малой слюнной железе различалось: очаговый или диффузный лимфоцитарный сиаладенит и сиалоз. Обработка проводилась рутинными методами: парафиновые срезы с окраской гематоксилином-эозином с использованием дополнительных гистохимических окрасок (пикрофуксин по Ван Гизону и PAS-реакция). Гематоксилиновые стекла сканировались на приборе при увеличении х40, после чего проводилась разметка гистосканов в программе QuPath-0.4.3 (табл. 1).
Цветовая разметка гистологических сканов
| Класс | Описание класса | Код (название) цвета в qpdata-файле |
| желтая линия | нормальная паренхима | Yellow |
| оранжевая линия | выводные протоки | #f57633 |
| синяя линяя | клетчатка | Blue |
| зеленая линяя | склероз | Green |
| фиолетовая линия | сосуды | Purple |
| коричневая линия | воспалительный инфильтрат | Maroon |
| красная линия | фокусы воспаления | Red |
3. Основные результаты
В качестве материала для создания датасета был произведен отбор биоптатов малых слюнных желез с достоверной картиной сиаладенита (из архива Института клинической морфологии и цифровой патологии) Сеченовского университета. Отобранные гистопрепараты были отсканированы с помощью системы Aperio AT2 производства Leica Biosystems при увеличении х200.
Таким образом, датасет состоит из 800 гистосканов в формате «.svs», из них 600 слайдов использовались для обучающей разметки, 200 — в качестве тестовой модели.
Для разметки (сегментации) гистологических сканов в формате «.svs» было использовано из свободного доступа программное обеспечение QuPath-0.4.3. Для удобства сегментация производилась с помощью полигональных форм с присвоением определенного класса и цвета для выделенной структуры.
Легенда с обозначением цветов и соответствующих структур
Для обозначения структур в разметке мы использовали 7 классов: клетчатка, воспалительный инфильтрат (участки <50 клеток), фокусы воспаления (участки >50 клеток), нормальная паренхима, расширенные сосуды, склероз (участки склероза и соединительнотканные тяжи), выводные протоки (рис. 1)
Результат глубокой разметки гистосканов
Следующим этапом являлась глубокая разметка для устранения технических погрешностей: замыкание незамкнутых областей, оконтуривание и уточнение границ аннотирования малой слюнной железы (рис.2).Такой способ позволяет наглядно отобразить необходимые в исследовании структуры, что будет полезно в обучении студентов, ординаторов и молодых врачей. Использование разметки в датасете не ограничивается обучением и подготовкой специалистов в профессиональной сфере, но и найдет применение в качестве модели для машинного обучения [11].
4. Обсуждение
Синдром Шегрена является системным аутоимунным с риском для развития лимфопролиферативных заболеваний неизвестной этиологии. Преимущественно поражаются экзокринные органы с развитием паренхиматозного сиаладенита с ксеростомией и сухого кератоконъюнктивита с гиполакримией. Существует высокий риск развития локализованных (70%) и диссеминированных (30%) MALT-лимфом c первичным поражением слюнных желез, а также при несвоевременной их диагностике трансформацией в Т- и В-клеточные лимфомы. Качественное патоморфологическое исследование операционного препарата малых слюнных желез, представляет собой затратный и трудоемкий по времени процесс.
По данным Центрального НИИ организации и информатизации Минздрава укомплектованность штатов подразделений патологоанатомической службы составила в 2022 году 74,4% — на 2,4% меньше по сравнению с 2021 годом. В России не хватает 2825 врачей-патологоанатомов. По сравнению с 2021 годом их количество увеличилось всего на 18 человек, до 3356 специалистов, а штатная обеспеченность составляет всего 48,8%. Дефицит врачей-патологоанатомов приводит к избыточной нагрузке, что, в свою очередь, может сказаться на качестве и результатах морфологических исследований
[12]
За последние несколько лет создание датасетов все чаще обсуждается в зарубежной и отечественной литературе. Однако эти исследования имеют онкологическую направленность. Так, в своем обзоре M Tafavvoghi et al освещаются и сравниваются доступные наборы данных гистосканов рака молочной железы
[13][14]
Хорошо установлено, что структурированная отчетность по патологии обеспечивает полноту данных и приводит к улучшению междисциплинарной коммуникации, большей удовлетворенности клиницистов и более легкому извлечения данных реестрами рака. В настоящее время существует несколько национальных датасетов и контрольных списков отчетности, в частности по инвазивному раку молочной железы и раку экзокринной части поджелудочной железы. Тем не менее они показывают некоторые различия и не имеют рекомендаций по ключевым аспектам патологической экспертизы, которые могут снизить международную сопоставимость данных. Для содействия широкому распространению с целью улучшения качества отчетности об инвазивном раке молочной железы и раке экзокринной части поджелудочной железы во всем мире, набор данных и структурированный шаблон отчетности находятся в свободном доступе на веб-сайте Международного сотрудничества отчетности о раке (ICCR). Стандартизированная отчетность во всем мире позволит установить показатели бенчмаркинга, которые определяют передовую практику
[15][16]
Коллекции биоптатов по определенным нозологиям используются в качестве ознакомления, а также в качестве основы для машинного обучения. Основное внимание обращено в сторону злокачественных опухолей и их метастазирования
[17][18]
Помимо активного использования ИИ в области медицины датасеты применяются для обработки и статистического анализа отзывов массовых открытых онлайн-курсов и систем управления обучением. Так, обзор по сформированным датасетам может быть использован в своих исследованиях специалистами в области компьютерной лингвистики, анализа тональности текстов и извлечения мнений, анализа образовательных данных и разработки инструментов учебной аналитики, а применение анализа униграмм и биграмм с учетом эмоциональной окраски позволило выделить описательные характеристики курсов, трудности и наиболее понравившиеся аспекты обучения
[19][20]
Нами впервые создан датасет, отличительной чертой которого является изучение структуры малых слюнных желез, а также диагностика хронических воспалительных заболеваний [21]. Пользователями результатов нашего исследования будут являться студенты медицинских ВУЗ и колледжей, ординаторы, а также врачи патологоанатомических отделений и лабораторий медицинских организаций, в которых имеются ревматологические отделения и стоматологические кабинеты.
5. Заключение
Таким образом, данное исследование обладает разнонаправленностью. Образовательная функция основополагающая — дистанционное обучение студентов и врачей при изучении структуры малых слюнных желез морфологических критериев диагностики СШ. Наряду с этим, представленный датасет можно использовать для повышения квалификации врачей-патологоанатомов в разных регионах и консультации препаратов в системе телемедицины.