А.В. Самородов1

1 МГТУ им. Н. Э. Баумана (Москва, Россия)

Постановка проблемы. Развитие автоматизированных методов приготовления и анализа цитологических препаратов для решения задач онкоцитологии требует формирования количественных критериев качества анализируемых препаратов, основным из которых является число клеток. В настоящее время моделирование и экспериментальное исследование зависимости показателей информативности цитологического заключения от размера выборки клеток проведено только для ограниченного круга задач; их результаты напрямую не применимы к задачам диагностики рака молочной железы.

Цель работы – разработка модели взаимосвязи показателей информативности цитологического заключения в задачах диагностики рака молочной железы и размера выборки клеток.

Результаты. Для условия сбора простой случайной выборки и принятия решения по результатам подсчета формулы клеток построена модель, обеспечивающая оценку размера выборки с учетом заданных показателей диагностической чувствительности и специфичности, ошибок классификации отдельных клеток и биологической вариации. Показано, что наличие биологической вариации приводит к существенному росту требований к числу анализируемых клеток.

Практическая значимость. Полученные модели обобщают ряд опубликованных ранее результатов и открывают возможность формализации требований к качеству цитологических препаратов, расчета показателей информативности результатов анализа с учетом решаемой диагностической задачи и параметров алгоритмов обработки изображений и, в целом, к научно обоснованному формированию требований к автоматизации цитологического анализа в онкологии.

Самородов А.В. Формирование требований к размеру выборки клеток в задачах цитологической диагностики рака молочной железы // Биомедицинская радиоэлектроника. 2023. T. 26. № 1. С. 27-34. DOI: https://doi.org/10.18127/j15604136-202301-03

1. Волченко Н.Н., Славнова Е.Н., Гладунова З.Д. и др. Современная цитологическая диагностика заболеваний молочной железы. под ред. Н.Н. Волченко, Е.Н. Славновой. М.: Изд-во МГТУ им. Н.Э. Баумана. 2014. 199 c.
2. Field A.S. et al. The International Academy of Cytology Yokohama system for reporting breast fine needle aspiration biopsy cytopathology // Acta Cytologica. 2019. V. 63. P. 257–273. DOI: 10.1159/000499509
3. Wilbur D.C., Bibbo M. Automation in Cervical Cytology // in Comprehensive Cytopathology (Third Edition). Elsevier Inc. 2008. P. 1021–1042. DOI: 10.1016/B978-141604208-2.10034-X
4. Самородов А.В. Оценка качества цитологических препаратов по их изображениям // Биомедицинская радиоэлектроника. 2008. № 10. С. 39–45.
5. Gomez-Macias G.S., Garza-Guajardo R., Segura-Luna J., Barboza-Quintana O. Inadequte fine needle aspiration biopsy samples: Pathologists versus other specialists // CytoJournal. 2009. V. 6. Iss. 1. P. 1–9. DOI: 10.4103/1742-6413.52831
6. Kitchener H.C. et al. A study of cellular counting to determine minimum thresholds for adequacy for liquid-based cervical cytology using a survey and counting protocol // Health Technology Assessment. 2015. V. 19. Iss. 22. P. 1–63. DOI: 10.3310/hta19220
7. Castleman K.R., White B.S. The tradeoff of cell classifier error rates // Cytometry. 1980. V. 1. № 2. P. 156–160. DOI: 10.1002/cyto.990010211
8. White B.S., Castleman K.R. Estimating cell populations // Pattern Recognition. 1981. V. 13. № 5. P. 365–370. DOI: 10.1016/0031-3203(81)90092-3
9. Timmers T., Gelsema E.S. A model for the classification of specimens containing random proportions of abnormal cells // Cytometry. 1985. V. 6. P. 22–25. DOI: 10.1002/CYTO.990060105
10. Castleman K.R., Price K.H., White B.S. Effect of random abnormal cell proportion on specimen classifier performance // Cytometry. 1993. V. 14. P. 1–8. DOI: 10.1002/cyto.990140103
11. Самородов А.В. Автоматизированный  морфологический анализ цитологических препаратов // Биомедицинская радиоэлектроника. 2009. № 10. С. 35–40.
12. Волченко Н.Н. и др. Компьютерный анализ текстуры изображений ядер в определении степени дифференцировки инвазивного протокового рака молочной железы // Российский онкологический журнал. 2008. № 1. С. 13–18.
13. Dobrolyubova D.A. et al. Automatic image analysis algorithm for quantitative assessment of breast cancer estrogen receptor status in immunocyto-chemistry // Pattern Recognition and Image Analysis. 2016. V. 26. № 3. P. 552–557. DOI: 10.1134/ S1054661816030032
14. Samorodov A.V. Biotechnical systems for automated microscopy of cytology specimens // Biomedical Engineering. 2019. V. 52.
    № 6. P. 387–390. DOI: 10.1007/s10527-019-09853-9
15. Brouckaert O. et al. A critical review why assessment of steroid hormone receptors in breast cancer should be quantitative // Annals of Oncology. 2013. V. 24. Iss. 1. P. 47–53. DOI: 10.1093/annonc/mds238
16. Aziz N. et al. Biological variation of immunological blood biomarkers in healthy individuals and quality goals for biomarker tests // BMC Immunology. 2019. V. 20. Article № 33. DOI: 10.1186/s12865-019-0313-0
17. Duvall E. ABC3 and LBC – adequate or not? // Cytopathology. 2013. V. 24. P. 211–215. DOI: 10.1111/cyt.12081