350 руб
Журнал «Биомедицинская радиоэлектроника» №5 за 2022 г.
Статья в номере:
Разработка биотехнической системы автоматизированного определения HER2-статуса при раке молочной железы методом флуоресцентной in situ гибридизации (FISH)
Тип статьи: научная статья
DOI: https://doi.org/10.18127/j15604136-202205-07
УДК: 57.089
Авторы:

Д.С. Махов1, Г.С. Размахаев2, Е.Н. Славнова3, А.В. Самородов4

1,4 Московский государственный технический университет имени Н.Э. Баумана (Москва, Россия)

2,3 МНИОИ имени П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России (Москва, Россия)

Аннотация:

Постановка проблемы. Рак молочной железы (РМЖ) является наиболее распространенным подтипом онкологии у женщин в России и мире. Для снижения смертности от РМЖ необходимо не только установить наличие заболевания, но и определить его биологический подтип. Для этого проводится визуальная оценка результатов иммунохимических исследований по определению экспрессии ряда онкомаркеров. Оценка одного из таких биомаркеров – белка CerbB2 (HER2/neu) – проводится по изображениям, регистрируемым на цифровом флуоресцентном микроскопе в рамках исследования методом флуоресцентной in situ гибридизацией (FISH). Для определения наличия амплификации гена HER2 необходимо определить среднее соотношение числа сигналов гена HER2 к сигналам от центромерных участков хромосом не менее чем в 20 ядрах. Для повышения объективности и воспроизводимости получаемых результатов, а также снижения нагрузки на врачей предлагается использовать методы автоматизированного анализа изображений для создания системы поддержки диагностических решений при определении HER2-статуса. Рядом исследователей предпринимались попытки автоматизации как отдельных элементов подобных систем, так и создание всей системы целиком. Однако предлагаемые решения не принимают во внимание большую вариабельность свойств исследуемого биообъекта и используемых технических средств регистрации и анализа изображений, что приводит к низкому уровню доверия врачей к подобным системам, а также высокой зависимости от используемых технических средств.

Цель работы – разработка алгоритма автоматизированного определения амплификации гена HER2 при РМЖ методом FISH по цифровым изображениям и его предварительная апробация, а также описание особенностей функционирования соответствующей биотехнической системы.

Результаты. На базе МНИОИ им. П.А. Герцена была собрана верифицированная база изображений полей зрения препаратов 44 пациентов. Препараты существенно различались по качеству приготовления и цветояркостным характеристикам их изображений. На вручную размеченных изображениях для 7 пациентов были обучены алгоритмы сегментации ядер и детектирования двух видов сигналов. С использованием предлагаемой системы определения среднего соотношения числа сигналов были определены оценки чувствительности и специфичности, которые составили соответственно 0,70 и 0,63 – без коррекции фона и 0,60 и 0,72 – с коррекцией фона. Для повышения значений данных показателей необходима предварительная оценка параметров изображения для адаптивного применения алгоритма коррекции фона.

Практическая значимость. Предлагаемый подход к определению амплификации гена HER2 при РМЖ методом FISH позволяет снизить нагрузку на патологов, увеличить объективность и воспроизводимость получаемых результатов. В предлагаемом подходе используется аппроксимация фонового сигнала, что позволяет учесть вариативность свойств исследуемых биообъектов, а также снизить влияние ряда этапов пробоподготовки.

Страницы: 58-69
Для цитирования

Махов Д.С., Размахаев Г.С., Славнова Е.Н., Самородов А.В. Разработка биотехнической системы автоматизированного определения HER2-статуса при раке молочной железы методом флуоресцентной in situ гибридизации (FISH) // Биомедицинская радиоэлектроника. 2022. T. 25. № 5. С. 58-69. DOI: https://doi.org/10.18127/j15604136-202205-07

Список источников
  1. Bray М.F. et al. Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries // CA: a cancer journal for clinicians. 2018. V. 68. № 6. P. 394–424.
  2. Malhotra G.K. et al. Histological, molecular and functional subtypes of breast cancers // Cancer biology & therapy. 2010. V. 10. № 10. P. 955–960.
  3. Современная цитологическая диагностика заболеваний молочной железы: Монография / Н.Н. Волченко, Е.Н. Славнова, З.Д. Гладунова и др. / Под ред. Е.Н. Славновой. М.: МГТУ им. Н.Э. Баумана. 2014. 198 с.
  4. Wolff A.C. et al. Human Epidermal Growth Factor Receptor 2 Testing in Breast Cancer: American Society of Clinical Oncology/College of American Pathologists Clinical Practice Guideline Focused Update // Journal of Clinical Oncology. 2018. V. 36. № 20. P. 2105–2122.
  5. Jiang H. et al. Evaluation of HER2 gene amplification in breast cancer using nuclei microarray in situ hybridization //International Journal of Molecular Sciences. 2012. V. 13. № 5. P. 5519–5527.
  6. Smoley S.A. et al. Standardization of fluorescence in situ hybridization studies on chronic lymphocytic leukemia (CLL) blood and marrow cells by the CLL Research Consortium // Cancer genetics and cytogenetics. 2010. V. 203. № 2. P. 141–148.
  7. Bogdanovska-Todorovska M. et al. Standardization and optimization of fluorescence in situ hybridization (FISH) for HER-2 assessment in breast cancer: A single center experience // Bosnian journal of basic medical sciences. 2018. V. 18. № 2. P. 132.
  8. Petersen B.L. et al. Fluorescence in situ hybridization on formalin-fixed and paraffin-embedded tissue: optimizing the method // Applied Immunohistochemistry & Molecular Morphology. 2004. V. 12. № 3. P. 259–265.
  9. Souza M.M., Urdampilleta J.D., Forni Martins E.R. Improvements in cytological preparations for fluorescent in situ hybridization in Passiflora // Genetics and Molecular Research. 2010. V. 9. № 4. P. 2148–2155.
  10. Castleman K.R. Color compensation for digitized FISH images // Bioimaging. 1993. V. 1. № 3. P. 159–165.
  11. Choi H., Castleman K.R., Bovik A.C. Joint segmentation and classification of M-FISH chromosome images // The 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE. 2004. V. 1. P. 1636–1639.
  12. Likar B. et al. Retrospective shading correction based on entropy minimization // Journal of Microscopy. 2000. V. 197. № Pt 3. P. 285–295.
  13. Choi H., Castleman K.R., Bovik A.C. Color compensation of multicolor FISH images // IEEE transactions on medical imaging. 2008. V. 28. № 1. P. 129–136.
  14. Tomaževič D., Likar B., Pernuš F. Comparative evaluation of retrospective shading correction methods //Journal of microscopy. 2002. V. 208. № 3. P. 212–223.
  15. Bagwell C.B., Adams E.G. Fluorescence spectral overlap compensation for any number of flow cytometry parameters // Annals of the New York Academy of Sciences. 1993. V. 677. № 1. P. 167–184.
  16. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. Springer, Cham. 2015. P. 234–241.
  17. Махов Д.С., Самородов А.В., Размахаев Г.С., Славнова Е.Н. Коррекция фона для автоматизации анализа FISH-изображений // Биотехносфера. 2021. № 1 (66). P. 23–29.
Дата поступления: 22.06.2022
Одобрена после рецензирования: 24.06.2022
Принята к публикации: 28.09.2022