Гинекология и акушерство
Открытый доступ

Абстрактный

Новая контрольная база данных оцифрованных и калиброванных клеток шейки матки для скрининга рака шейки матки на основе искусственного интеллекта

Абид Сарвар, Джьотсна Сури, Винод Шарма и Мехбоб Али

Цель: Основной целью данной исследовательской работы является разработка новой эталонной базы данных оцифрованных и калиброванных клеток шейки матки, полученных из слайдов мазка Папаниколау, который проводится для скрининга рака шейки матки. Эта база данных может служить потенциальным инструментом для проектирования, разработки, обучения, тестирования и проверки различных систем на основе искусственного интеллекта для прогнозирования рака шейки матки путем характеристики и классификации изображений мазка Папаниколау. База данных также может использоваться другими исследователями для сравнительного анализа эффективности работы различных алгоритмов машинного обучения и обработки изображений. Базу данных можно получить, отправив запрос соответствующему автору. Помимо разработки богатой базы данных машинного обучения, мы также представили новую гибридную ансамблевую методику на основе искусственного интеллекта для эффективного скрининга рака шейки матки путем автоматизированного анализа изображений мазка Папаниколау.

Методология: Правильная и своевременная диагностика рака шейки матки является одной из основных проблем в медицинском мире. Из литературы следует, что различные методы распознавания образов могут помочь им улучшить ситуацию в этой области. Мазок Папаниколау (также называемый мазком Папаниколау) представляет собой микроскопическое исследование образцов человеческих клеток, взятых из нижней, узкой части матки, называемой шейкой матки. Образец клеток после окрашивания с использованием метода Папаниколау анализируется под микроскопом на наличие каких-либо необычных изменений, указывающих на какие-либо предраковые и потенциально предраковые изменения. Аномальные результаты, если они наблюдаются, подвергаются дальнейшим точным диагностическим подпрограммам. Изучение изображений клеток на предмет аномалий в шейке матки дает основания для принятия срочных мер и, таким образом, снижения заболеваемости и смертности от рака шейки матки. Это самый популярный метод, используемый для скрининга рака шейки матки. Мазок Папаниколау, если проводится с регулярными программами скрининга и надлежащим последующим наблюдением, может снизить смертность от рака шейки матки до 80%. Вклад этой статьи заключается в том, что мы создали богатую базу данных машинного обучения количественно профилированных и калиброванных клеток шейки матки, полученных из слайдов мазка Папаниколау. База данных, созданная таким образом, состоит из данных около 200 клинических случаев (8091 клетка шейки матки), которые были получены из нескольких медицинских центров, чтобы обеспечить разнообразие данных. Слайды были обработаны с помощью многоголового цифрового микроскопа, и были получены изображения клеток шейки матки, которые были пропущены через различные подпрограммы предварительной обработки данных. После предварительной обработки клетки были морфологически профилированы и масштабированы для получения отдельных количественных измерений различных характеристик цитоплазмы и ядра соответственно. Клетки в базе данных были тщательно классифицированы техническими специалистами в различные соответствующие классы в соответствии с последней системой классификации 2001-Bethesda. В дополнение к этому, мы также стали пионерами в применении новой гибридной ансамблевой системы к этой базе данных, чтобы оценить эффективность как новой базы данных, так и новой гибридной ансамблевой техники для скрининга рака шейки матки путем категоризации данных мазка Папаниколау. В статье также представлен сравнительный анализ нескольких алгоритмов классификации на основе искусственного интеллекта для прогнозирования рака шейки матки.

Результаты: Для оценки эффективности и правильности цифровой базы данных, подготовленной в этой работе, авторы внедрили эту базу данных для обучения, тестирования и проверки пятнадцати различных алгоритмов машинного обучения на основе искусственного интеллекта. Все алгоритмы, обученные с помощью этой базы данных, продемонстрировали похвальную эффективность при скрининге рака шейки матки. Для двухклассовой задачи все алгоритмы, обученные с помощью цифровой базы данных, показали эффективность в диапазоне около 93–95%, тогда как в случае алгоритмов многоклассовой задачи эффективность составила около 69–78%. Результаты показывают, что новая цифровая база данных, подготовленная в этой работе, может эффективно использоваться для разработки новых методов машинного обучения для автоматизированного скрининга рака шейки матки. Результаты также показывают, что гибридный ансамблевый метод является эффективным методом классификации изображений мазков по Папаниколау и, следовательно, может эффективно использоваться для диагностики рака шейки матки. Среди всех реализованных алгоритмов гибридный ансамблевый подход превзошел все и показал эффективность около 98% для двухклассовой задачи и около 86% для семиклассовой задачи. Результаты по сравнению со всеми автономными классификаторами были значительно лучше как для двухклассовых, так и для многоклассовых задач.