МОДЕЛИ КОМПЬЮТЕРНОГО МАКРО И МИКРО АНАЛИЗА В ГИСТОЛОГИЧЕСКОЙ ЭКСПРЕСС-ДИАГНОСТИКЕ

1

• Авторы
• Файлы

Бердникович Е.Ю. Статья в формате PDF 141 KB

Целью настоящей работы является разработка моделей компьютерного макро и микроскопического анализа в гистологической экспресс-диагностике. В процессе гистологической диагностики, сталкиваясь с трудными в диагностическом отношении случаями, врач обычно прибегает к консультациям своих коллег и полагается на материалы, изложенные в руководствах, атласах и др. Следует отметить, что информация в них может оказаться неполной и устаревшей, а коллеги-специалисты могут быть недоступны в данный момент. Особую остроту эти проблемы приобретают в процессе гистологической экспресс-диагностики во время проведения хирургических операций. Применение компьютерных технологий существенно расширяет возможности врача-диагноста за счет использования специально разработанных компьютерных интеpaктивных систем поддержки принятия решений и экспертных баз данных по различным органам, содержащих цветные изображения препаратов и стандартизованные описания к ним.

Гистологическая диагностика включает следующие этапы: анализ клинических данных, выбор объекта исследования, анализ макропрепарата, приготовление микропрепарата, анализ микропрепарата, постановка гистологического диагноза. Анализ предметной области позволил выделить основные этапы гистологической экспресс-диагностики, подлежащие автоматизации и элементы принятия решений о диагнозе. Основными этапами являются анализ макропрепарата и анализ микропрепарата. Врач-диагност основывает свое решение о диагнозе на результатах именно этих двух анализов. И тот и другой анализ строится на поиске и оценке набора информативных признаков. Будем называть признаки, оцениваемые по макропрепарату макропризнаками, а по микропрепарату - микропризнаками. Микропрепарат вырезают из наиболее информативной зоны макропрепарата и рассматривают под микроскопом. По макропрепарату оцениваются такие признаки опухоли как цвет, размер, структура, наличие новообразований, распространенность процесса, на основании которых делается предварительная оценка хаpaктера болезни. По микропрепарату под микроскопом оцениваются сущность процесса, особенности внутренней структуры ткани, строение клеток и ядер, доброкачественность или злокачественность, проводится дифференцировка. Данные микроанализа имеют существенно больший вес при принятии решения о диагнозе (по макропрепарату обычно делают предположительный вывод). Когда результаты микро и макро анализа согласуются, выносится окончательный диагноз, если же результаты расходятся, это должно насторожить диагноста и может означать, что неправильно выбрана информативная зона для вырезки микропрепарата. Условная схема, поясняющая принцип принятия решений по гистологической экспресс-диагностике, отражена на рис.1.

Рисунок 1. Условная схема для пояснения принципа принятия решений.

Таким образом, на основании результатов макро - и микроанализа врач принимает решение о диагнозе.

Для реализации автоматизации указанных этапов был разработан компьютерный комплекс поддержки принятия решений при гистологической экспресс-диагностике АТЛАНТ. Комплекс построен на базе автоматизированных систем обработки изображений. Компьютерные системы на этапе макроанализа и микроанализа помогают врачу более объективно оценивать информативные (количественные и качественные) признаки, а встроенная экспертная база данных и специально разработанные средства поиска дают возможность при принятии решений опираться на опыт ведущих специалистов в этой области [1].

В рамках математического обеспечения комплекса для формирования вариантов решений разработаны модели компьютерного макро и микро анализа, представленные ниже. Для описания исходных данных выполнены следующие операции:

1. Определен список классов (список нозологических форм, дифференцировка между которыми наиболее значима при постановке диагноза) .

2. Разработан словарь информативных макропризнаков. Модель словаря может быть представлена множеством признаков , где N-число макропризнаков. Каждый входной объект  отображается на множество макропризнаков из словаря. . Результат отображения обозначим  - множество макропризнаков конкретного объекта .

3. Разработан словарь информативных микропризнаков. Модель словаря может быть представлена множеством . Каждое P_i представляет собой множество признаков , где n_i - число признаков в P_i-ом множестве. Каждый входной объект  отображается на множество признаков из словаря.

                  (1)

Результат отображения обозначим  - множество микропризнаков конкретного объекта .

.

4. Сформирована выборка эталонных объектов (микропрепаратов), представляющих заданные классы. Каждый класс K_k представлен множеством эталонов M_k.

5. Построены с помощью словаря описания микрообъектов из эталонной выборки классов. Т.е. каждому эталонному микрообъекту поставлено в соответствие множество . .

Задачей диагностического комплекса при анализе входных объектов является определение класса K_k  к которому принадлежит неизвестный объект .

На первом этапе, ЛПР (лицо, принимающее решение) из указанного словаря макропризнаков определяет набор макропризнаков  неизвестного объекта . По результатам этого набора оценивается множество классов K_M (возможных диагнозов), причем  (см. рис.1).

На втором этапе, ЛПР из словаря микропризнаков определяет набор микропризнаков, хаpaктерных для исследуемого объекта (см. (1)).

Ввиду неоднозначности отношения входного объекта к определенному классу предложено хаpaктеризовать это отношение параметром, определяющим степень достоверности принадлежности объекта к каждому из классов заданного списка. Достоверность статистических оценок при определении указанных хаpaктеристик в системе поддержки принятия решений существенно зависит от объема эталонной выборки. Для оценки достоверности производится анализ введенной комбинации микропризнаков входного объекта  и оценивается наличие выбранного набора микропризнаков в совокупности микропризнаков объектов каждого класса эталонной выборки.

Обозначим как W_k количество эталонных объектов в классе K_k, а - вес комбинации микропризнаков объекта  в классе K_k. Вес комбинации  определяется как число эталонов в классе K_k, для которых выполняются следующие условия:

1.        такое что .

2.      такое что .

Тогда считается, что объект  классу K_k если выполняется условие ( ) , где  - частота встречаемости комбинации микропризнаков объекта  среди объектов K_k класса,  - частота встречаемости комбинации микропризнаков объекта  среди объектов K_t класса. Система определяет наиболее вероятный класс входного объекта, а также выстраивает наиболее вероятные варианты решений в виде списка по мере уменьшения вероятности[2]..

Таким образом, имеется:

1. по результатам макроанализа множество классов K_M (предположительных диагнозов по макропризнакам);
2. по результатам микроанализа класс K_k (наиболее вероятный диагноз по микропризнакам);

На третьем этапе ЛПР руководствуется следующим правилом (см. рис.1): если , то , где  - окончательный диагноз ЛПР. Если , требуется дополнительное исследование.

Диагностический комплекс АТЛАНТ, в котором реализованы предложенные модели компьютерного макро и микро анализа, успешно эксплуатируется в течение 3-х лет в клинической пpaктике. В разработке комплекса принимали участие и выступали в качестве экспертов специалисты Российского oнкoлoгического центра им. Н.Н.Блохина РАМН, Российской медицинской академии последипломного образования при МЗ РФ, Клинических больниц № 83 и № 85 Федерального управления "Медбиоэкстрем" при МЗ РФ. В рамках комплекса сформирована уникальная эталонная база данных, содержащая цветные изображения препаратов опухолей щитовидной железы и стандартизованные описания к ним. Материалом для создания базы данных послужили 500 случаев опухолей и опухолеподобных процессов щитовидной железы (свыше 2500 изображений), относящихся к 15 нозологическим единицам.

Список литературы:

1. Nikitaev V.G., Pronichev A.N., Berdnikovich E.Y. Engineering, program and infware of a decision support system at histological diagnostics of tumors of a thyroid gland. - Proceedings of the conference "New Informational Technologies in Medicine, Biology, Pharmacology and Ecology 2003". Page 362.
2. Berdnikovich E.Y. Model of data processing in the computer system of support of a decision making at histological diagnostics. - Proceedings of the XII International workshop "Medicine of the XXI centure 2004". Page 25.

Работа представлена на II научную конференцию с международным участием «Медицинские, социальные и экономические проблемы сохранения здоровья населения» (18-25 мая, 2004 г., г. Анталия, Турция)

---