А.В. Самородов1

1 Московский государственный технический университет им. Н.Э. Баумана (Москва, Россия)
1 avs@bmstu.ru

Постановка проблемы. Цитологический анализ в онкологии обладает целым рядом достоинств: оперативностью, высокой точностью, низкой стоимостью – однако его результаты кардинально зависят от опыта цитопатолога. Аспекты методологии проектирования систем, предназначенных для автоматизированного цитологического анализа, частично освещены в научно-технической литературе, но степень их разработки не позволяет создавать образцы, пригодные к применению в рутинной практике для решения большинства задач онкоцитологии, в том числе решаемых при наиболее распространенном среди женщин онкологическом заболевании – раке молочной железы.

Цель. Рассмотреть аспекты методологии проектирования биотехнических систем автоматизированной микроскопии цитологических препаратов (БТС АМЦП), направленных на обеспечение достоверности получаемых результатов.

Результаты. Описаны три уровня преобразования информации в БТС АМЦП и раскрыто их содержание. На техническом уровне решены задачи сбора выборки клеток и оценки их дифференциальных и групповых количественных характеристик; на биологическом – задачи классификации клеток, оценки и классификации лабораторных показателей с формированием лабораторных признаков; на нозологическом – задачи оценки неколичественных и количественных показателей с формированием цитологического заключения. Достоверность результатов анализа определена качеством препарата, сбора выборки клеток, алгоритмами оценки количественных характеристик, ошибками классификации, наличием биологической вариации и неопределенности взаимосвязи лабораторных признаков и групповых характеристик клеток с состоянием пациента.

Практическая значимость. Выделение и детализация основных уровней преобразования информации в БТС АМЦП, а также анализ диаграммы распространения неопределенности в системе показал, что формирование в БТС АМЦП результатов биологического уровня в явном виде – необходимое условие повышения достоверности результатов автоматизированного анализа и обеспечения возможности их верификации и построения патоморфологической интерпретации.

Самородов А.В. Аспекты методологии проектирования биотехнических систем автоматизированной микроскопии цитологических препаратов // Биомедицинская радиоэлектроника. 2025. T. 28. № 7. С. 33−41. DOI: https://doi.org/ 10.18127/j15604136-202507-04

1. 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.
2. De Rosa F. et al. The continuing role of breast fine-needle aspiration biopsy after the introduction of the IAC Yokohama system for reporting breast fine needle aspiration biopsy cytopathology. Diagnostic Cytopathology. 2020. V. 48. Is. 12. P. 1244–1253.
3. Mitra S. et al. Cytology image analysis techniques towards automation: systematically revisited. DOI: 10.48550/arXiv.2003.07529. URL: https://arxiv.org/abs/2003.07529v1.
4. Field A.S., Raymond W.A., Schmitt F.C. The International Academy of Cytology Yokohama system for reporting breast fine needle aspiration biopsy cytopathology (Preface). Acta Cytologica. 2019. V. 63. P. 255–256.
5. Yin K. et al.Breast imaging, breast surgery, and cancer genetics in the age of COVID-19. Cancer. 2020. V. 126. Is. 20. P. 4466–4472.
6. Pinto D., Schmitt F. The role of breast FNA during and post- COVID-19 pandemic: a fast and safe alternative to needle core biopsy. Cytopathology. 2020. V. 31. № 6. P. 627–629.
7. Спиридонов И.Н. Особенности проектирования систем дешифрирования медицинских изображений // Биомедицинская радиоэлектроника. 1999. № 6. C. 26–38.
8. Buttner J. Laboratory findings: structure, validity and significance for medical cognitive processes. Eur. J. Clin. Chem. Clin. Biochem. 1991. V. 29. № 8. P. 507–519.
9. Самородов А.В. Биотехнические системы автоматизированной микроскопии цитологических препаратов // Медицинская техника. 2018. № 6. С. 17–19.
10. Semwal S. et al.Validation and modification of the Masood Scoring Index for the diagnosis of atypical breast lesions. Acta Cytologica. 2017. V. 61. № 2. P. 111–116.
11. Robinson I.A. et al.Prognostic value of cytologic grading of fine‐needle aspirates from breast carcinomas. Lancet. 1994. V. 343. P. 947–949.
12. Sinha A., Gill S.S. Correlative study of cytological features in grading of invasive breast carcinoma. Journal of Cytology. 2018. V. 35. Is. 3. P. 149–152.
13. Dobrolyubova D.A., Kravtsova T.A., Samorodova O.A., Samorodov A.V., Slavnova E.N., Volchenko N.N. Automatic image analysis algorithm for quantitative assessment of breast cancer estrogen receptor status in immunocytochemistry. Pattern Recognition and Image Analysis. 2016. V. 26. № 3. P. 552–557.
14. Cuzick J. et al. Prognostic value of a combined estrogen receptor, progesterone receptor, Ki-67, and human epidermal growth factor receptor 2 immunohistochemical score and comparison with the Genomic Health recurrence score in early breast cancer. Journal of Clinical Oncology. 2011. V. 29. № 32. P. 4273–4278.
15. Samorodov A.V. Building intelligent systems for the analysis of microscopic images in medicine and biology. Pattern Recognition and Image Analysis. 2013. V. 23. № 4. P. 508–511.
16. Schuh F. et al. Histopathological grading of breast ductal carcinoma in situ: validation of a web-based survey through intra-observer reproducibility analysis. Diagnostic Pathology. 2015. V. 10. Article № 93. 10 p.
17. Huang J., Wang D., Da J. Automated classification of cancer from fine needle aspiration cytological image use neural networks: A meta-analysis. Diagnostic Cytopathology. 2020. V. 48. Is. 11. P. 1027–1033.
18. Артюхова О.А., Самородов А.В. Сравнительное исследование характеристик резкости микроскопических изображений медико-биологических препаратов // Медицинская техника. 2011. № 1. С. 15–22.
19. Махов Д.С., Сагателян Г.Р., Самородов А.В. Цветовая мера для калибровки систем цифровой микроскопии // Измерительная техника. 2021. № 10. C. 60–64.
20. Самородов А.В. Формирование требований к размеру выборки клеток в задачах цитологической диагностики рака молочной железы // Биомедицинская радиоэлектроника. 2023. Т. 26. № 1. С. 27–34.
21. Guan Z. et al. Combining breast cancer risk prediction models. Cancers. 2023. V. 15. Art. № 1090. https://doi.org/10.3390/cancers 15041090.
22. Khan S. et al. A novel deep learning based framework for the detection and classification of breast cancer using transfer learning. Pattern Recognition Letters. 2019. V. 125. P. 1–6.
23. Subbaiah R.M., Dey P., Nijhawan R. Artificial neural network in breast lesions from fine-needle aspiration cytology smear. Diagnostic Cytopathology. 2014. V. 42. Is. 3. P. 218–224.
24. Nikitaev V.G. et al. Methods and means of diagnostics of oncological diseases on the basis of pattern recognition: intelligent morphological systems – problems and solutions. Journal of Physics: Conference Series. 2017. V. 798. Is. 1. Art. № 012131.