ул. Саляма Адиля, д.2, г. Москва, 123423
Salyama Adilya str., 2, Moscow, 123423
ул. Саляма Адиля, д.2, г. Москва, 123423
Salyama Adilya str., 2, Moscow, 123423
Каменноостровский просп., д. 11, корп. 2, г. Санкт-Петербург, 197046
Kamennoostrovsky str., 11, bld. 2, St. Petersburg, 197046
Каменноостровский просп., д. 11, корп. 2, г. Санкт-Петербург, 197046
Kamennoostrovsky str., 11, bld. 2, St. Petersburg, 197046
Каменноостровский просп., д. 11, корп. 2, г. Санкт-Петербург, 197046
Kamennoostrovsky str., 11, bld. 2, St. Petersburg, 197046
Каменноостровский просп., д. 11, корп. 2, г. Санкт-Петербург, 197046
Kamennoostrovsky str., 11, bld. 2, St. Petersburg, 197046
ул. Усачева, д. 33, с.2, г. Москва, 121059
Usacheva str., 33, bld. 2, Moscow, 121059
ул. Усачева, д. 33, с.2, г. Москва, 121059
Usacheva str., 33, bld. 2, Moscow, 121059
ЦЕЛЬ ИССЛЕДОВАНИЯ: создание размеченного набора данных (гистосканов лимфоузлов) для использования при разработке систем поддержки принятия врачебного решения (на основе машинного обучения) в патоморфологии, которые позволят определять наличие метастатического поражения лимфоузлов при колоректальном раке.
РЕЗУЛЬТАТЫ: датасет включил 432 файла с цифровыми изображениями и разметкой 1019 лимфоузлов, включавшие лимфоузлы с метастазами и без метастазов. На основе размеченных данных была обучена нейросетевая модель, определяющая вероятность метастатического поражения для каждого пикселя в области интереса — лимфоузле (Dice 0.863 для замещенной ткани, Dice macro 0.923). Кроме того, были реализованы методы пре- и постпроцессинга для представления входных данных в приемлемом для машинного обучения виде и представления ответа ИИ-модели в форме, удобной для восприятия пользователем. Дополнительно разработана нейросетевая модель, предсказывающая вероятность нахождения артефактов в цифровых изображениях лимфоузлов с возможностью формирования карты вероятностей артефактов (Dice macro 0.776; Dice — для артефактов 0.552; IoU macro 0.725 и IoU — для артефактов 0.451).
ЗАКЛЮЧЕНИЕ: разработанная модель представляет собой хорошую основу для реализации полноценного решения, на базе которого может быть разработана система помощи врачам в поиске и оценке замещения тканевых структур и определения метастатического поражения лимфоузлов, обнаружении артефактов и оценке качества цифровых изображений.
AIM: to create a marked data set (histoscans of lymph nodes) for use in the development of medical decision support systems (based on machine learning) in pathomorphology, which will allow determining the presence of metastatic lymph node lesions in CRC.
RESULTS: the dataset included 432 files with digital images and markings of 1000 lymph nodes, including lymph nodes with and without metastases. Based on the marked-up data, a neural network model was trained to determine the probability of metastatic lesion for each pixel in the area of interest - the lymph node (Dice 0.863 for the replaced tissue, Dice macro 0.923). In addition, pre- and postprocessing methods were implemented to represent input data in a form acceptable for machine learning and to represent the AI model's response in a form convenient for user perception. Additionally, a neural network model has been developed that predicts the probability of finding artifacts in digital images of lymph nodes with the possibility of forming an artifact probability map (Dice macro0.776; Dice for artifacts 0.552; IoU macro 0.725 and IoU for artifacts 0.451).
CONCLUSION: the developed model is a good basis for the implementation of a full-fledged solution, on the basis of which a system can be developed to assist doctors in finding and evaluating the replacement of tissue structures and determining metastatic lymph node lesions, detecting artifacts and evaluating the quality of digital images.
The authors declare that there are no conflicts of interest present.