Ο ρόλος της τεχνητής νοημοσύνης στη διερεύνηση παθήσεων του ενδομητρίου σε υλικό κυτταρολογίας υγρής φάσης, Thin Prep

Abstract

Objective: To investigate the potential value of classification and regression trees (CART) for the discrimination of benign from malignant endometrial nuclei and lesions. Material and method: The study has been performed on ThinPrep cytological material obtained by Endogyn cell sampler. In total 222 histologically confirmed cases have been studied, 117 benign cases, 62 malignant and 43 hyperplasias with or without atypia. From each case about 100 nuclei have been measured with an image analysis system, in total 22783 nuclei have been collected. Nuclei from 50% of the cases have been used to construct CART algorithms and knowledge extraction, the so called training set. The nuclei from the remaining cases has been used to evaluate the knowlde system (test set). Results: The application of CARTs gave an overall correct classification of endometrial cell nuclei equal to 85% with specificity 90.68% and sensitivity 72.05%. Based on the results of CART there are proposed two case classification methods having similar performance: overall accuracy in the range of 94-95% specificity 95% and sensitivity 91-94%. These results outperform the standard cytological diagnosis of the endometrium and explain the difficulty of the morphologists in the safe classification of endometrial hyperplasia. Conclusion: The proposed study highlights interesting features of endometrial nuclear morphology and provides a classification approach that after verification with additional cases, can be a usefull tool for the everyday practice of the cytological laboratory.

Σκοπός: Η διερευνηση της πιθανής αξίας του δέντρου ταξινόμησης (Classification and Regression Tree –CART) για τη διάκριση των καλοήθων και κακοήθων αλλοιώσεων του ενδομητρίου. Υλικό και μέθοδος: Η μελέτη διεξήχθη σε επιχρίσματα που λαμβάνονται με άμεση λήψη δείγματος από την κοιλότητα του ενδομητρίου με τη συσκευή δειγματοληψίας EndoGyn. Το κυτταρολογικό υλικό μονιμοποιήθηκε και επεξεργάστηκε σύμφωνα με τις οδηγίες της κυτταρολογίας υγρής φάσης ThinPrep®. Από το σύνολο των 222 ιστολογικά επιβεβαιωμένων περιστατικών που μελετηθηκαν, 117 ήταν καλοήθη, 43 ήταν υπερπλασίες με ή χωρίς ατυπία και 62 ήταν κακοήθη. Μετά την διάγνωση του κυτταρολογικού υλικού ακολούθησε η μέτρηση του υλικού με την μέθοδο ανάλυσης εικόνας. Από τα διαθέσιμα κυτταρολογικά επιχρίσματα επιλέχθηκαν 22.783 πυρήνες επιθηλιακών κυττάρων (περίπου 100 πυρήνες / περιστατικό). Τα δεδομένα από το 50% των διαθέσιμων περιπτώσεων χρησιμοποιήθηκαν για την εκπαίδευση (ομάδα εκπαίδευσης) του δέντρου ταξινόμησης (Classification and Regression Tree –CART). Οι πυρήνες απο τα υπόλοιπα περιστατικά αξιοποιήθηκαν για την αξιολόγηση της απόδοσης του εκπαιδευμένου ταξινομητή (ομάδα δοκιμής).Αποτελέσματα: Η εφαρμογή του CART επέτρεψε τη σωστή ταξινόμηση του 85% των πυρήνων με ειδικότητα 90,68% και 72,05% ευαισθησία. Με βάση τα αποτελέσματα της CART προτείνονται δύο μέθοδοι ταξινόμησης των περιστατικών με παρόμοια απόδοση: 94-95% συνολική ακρίβεια, 95% ειδικότητα και 91-94% ευαισθησία. Συμπέρασμα: Η προτεινόμενη μελέτη αναδεικνύει ενδιαφέροντα δεδομένα σχετικά με τα πυρηνικά χαρακτηριστικά των κυττάρων του ενδομητρίου και παρέχει μια μέθοδο ταξινόμησης, η οποία αφού ελεγχθεί με περισσότερα περιστατικά, μπορεί να είναι χρήσιμη στην καθημερινή πρακτική του κυτταρολογικού εργαστηρίου.