Солопов Максим Витальевич, биолог лаборатории клеточного и тканевого культивирования,
283045, Донецкая Народная Республика, г. Донецк, пр. Ленинский, 47
Maxim V. Solopov, Biologist, Laboratory of Cell and Tissue Cultivation,
47, Leninsky Ave., Donetsk People's Republic, Donetsk, 283045
Кавелина Анна Станиславовна, кандидат медицинских наук, биолог лаборатории клеточного и тканевого культивирования,
283045, Донецкая Народная Республика, г. Донецк, пр. Ленинский, 47
Anna S. Kavelina, MD, PhD, Biologist, Laboratory of Cell and Tissue Cultivation,
47, Leninsky Ave., Donetsk People's Republic, Donetsk, 283045
Попандопуло Андрей Геннадиевич, доктор медицинских наук, заведующий лабораторией клеточного и тканевого культивирования, хирург,
283045, Донецкая Народная Республика, г. Донецк, пр. Ленинский, 47
Andrey G. Popandopulo, MD, DSc, Head of the Laboratory of Cell and Tissue Cultivation, Surgeon,
47, Leninsky Ave., Donetsk People's Republic, Donetsk, 283045
Турчин Виктор Васильевич, биолог лаборатории клеточного и тканевого культивирования,
283045, Донецкая Народная Республика, г. Донецк, пр. Ленинский, 47
Victor V. Turchyn, Biologist, Laboratory of Cell and Tissue Cultivation,
47, Leninsky Ave., Donetsk People's Republic, Donetsk, 283045
Пащенко Светлана Анатольевна, эндокринолог консультативной поликлиники,
283045, Донецкая Народная Республика, г. Донецк, пр. Ленинский, 47
Svetlana A. Pashchenko, MD, Endocrinologist, Consultative Polyclinic Department,
47, Leninsky Ave., Donetsk People's Republic, Donetsk, 283045
Багдасаров Карэн Меружанович, заведующий хирургическим отделением,
283045, Донецкая Народная Республика, г. Донецк, пр. Ленинский, 47
Karen M. Bagdasarov, MD, Head of Surgical Department,
47, Leninsky Ave., Donetsk People's Republic, Donetsk, 283045
Цель исследования – оценка эффективности модели сверточной нейронной сети для автоматизированной цитологической диагностики папиллярного рака и доброкачественных узловых образований щитовидной железы.
Материал и методы. Сверточная нейронная сеть была разработана на языке программирования Python с использованием библиотеки с открытым исходным кодом TensorFlow 2.15.0. Для исследования был сформирован датасет, который включал две категории патологий: 1 597 микрофотографий папиллярного рака и 767 микрофотографий доброкачественных узловых образований (коллоидного зоба и аденоматозных узлов). Для формирования обучающей выборки и оценки показателей производительности модели на тестовой выборке датасет был разделен в соотношении 80/20.
Результаты. При диагностике папиллярного рака модель достигла точности 89,3 %, полноты – 92,4 %, специфичности – 77,4 % и оценки F1 – 91,4 %. При определении доброкачественных узловых образований точность составила 83,3 %, полнота – 77,4 %, специфичность – 92,4 %, оценка F1 – 80,3 %, что указывает на более высокий уровень ложноположительных и ложноотрицательных прогнозов. Показатель AUC составил 0,91 при классификации отдельных микрофотографий и 0,94 на уровне серии микрофотографий от одного пациента, свидетельствуя о высокой способности обученной модели дифференцировать злокачественные и доброкачественные очаговые процессы щитовидной железы на основе микрофотографий цитологических препаратов тонкоигольной аспирационной пункционной биопсии.
Заключение. Дальнейшее совершенствование нейросетевой модели за счет обучения на более объемных и разнообразных датасетах микрофотографий цитологических препаратов щитовидной железы будет способствовать улучшению ее диагностического спектра и производительности. Созданная модель может быть использована для разработки программного обеспечения по выявлению патологий щитовидной железы.
Objective: to evaluate the effectiveness of a convolutional neural network model for automated cytologic diagnosis of papillary thyroid cancer and benign thyroid nodules.
Material and Methods. The convolutional neural network was developed in the Python programming language using the TensorFlow 2.15.0 open source library. For the study, a dataset that included two categories of pathologies was generated: 1597 microphotographs of papillary carcinoma and 767 microphotographs of benign nodules (colloid goiter and adenomatous nodules). To form a training sample and evaluate the model’s performance metrics on the test sample, the dataset was divided in a ratio of 80/20.
Results. In classifying papillary carcinoma, the model achieved precision of 89.3 %, recall of 92.4 %, specifcity of 77.4 % and F1 score of 91.4 %. When identifying benign nodules, the presicion, recall, specifcity and F1 score were 83.3 %, 77.4 %, 92.4 %, and 80.3 %, respectively, indicating a higher rate of false-positive and false-negative predictions. The AUC was 0.91 at the individual microphotograph level and 0.94 at the serial microphotograph level from one patient, indicating the high ability of the trained model to differentiate between malignant and benign thyroid lesions based on microphotographs of fne-needle aspiration biopsy specimens.
Conclusion. Further improvement of the neural network model by training on larger and more diverse datasets of microphotographs of cytological specimens of the thyroid gland will help improve its diagnostic range and performance. The developed model can be used to develop software for identifying thyroid pathologies.
The authors declare that there are no conflicts of interest present.