Опыт применения сверточной нейронной сети для бинарной классификации микрофотографий цитологических препаратов щитовидной железы

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.

1. Tran N.Q., Le B.H., Hoang C.K., Nguyen H.T., Thai T.T. Prevalence of thyroid nodules and associated clinical characteristics: fndings from a large sample of people undergoing health checkups at a university hospital in Vietnam. Risk Manag Healthc Policy. 2023; 16: 899–907. doi: 10.2147/RMHP.S410964.

2. Bongiovanni M., Spitale A., Faquin W.C., Mazzucchelli L., Baloch Z.W. The Bethesda system for reporting thyroid cytopathology: a meta-analysis. Acta Cytol. 2012; 56(4): 333–39. doi: 10.1159/000339959.

3. Kezlarian B., Lin O. Artifcial intelligence in thyroid fne needle aspiration biopsies. Acta Cytol. 2021; 65(4): 324–29. doi: 10.1159/000512097.

4. Habchi Y., Himeur Y., Kheddar H., Boukabou A., Atalla S., Chouchane, A., Ouamane A., Mansoor W. AI in thyroid cancer diagnosis: techniques, trends, and future directions. Systems. 2023; 11(10): 519. doi: 10.3390/systems11100519.

5. Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., Ghafoorian M., van der Laak J.A.W.M., van Ginneken B., Sánchez C.I. A survey on deep learning in medical image analysis. Med Im- age Anal. 2017; 42: 60–88. doi: 10.1016/J.MEDIA.2017.07.005.

6. Slabaugh G., Beltran L., Rizvi H., Deloukas P., Marouli E. Applications of machine and deep learning to thyroid cytology and histopathology: a review. Front Oncol. 2023; 13. doi: 10.3389/FONC.2023.958310.

7. Wong C.M., Kezlarian B.E., Lin O. Current status of machine learning in thyroid cytopathology. J Pathol Inform. 2023; 14. doi: 10.1016/J.JPI.2023.100309.

8. Sanyal P., Mukherjee T., Barui S., Das A., Gangopadhyay P. Artifcial intelligence in cytopathology: a neural network to iden tify papillary carcinoma on thyroid fne-needle aspiration cytology smears. J Pathol Inform. 2018; 9. doi: 10.4103/JPI.JPI_43_18.

9. Guan Q., Wang Y., Ping B., Li D., Du J., Qin Y., Lu H., Wan X., Xiang J. Deep convolutional neural network VGG-16 model for diferential diagnosing of papillary thyroid carcinomas in cytological images: a pilot study. J Cancer. 2019; 10(20): 4876–82. doi: 10.7150/JCA.28769.

10. Dov D., Kovalsky S.Z., Assaad S., Cohen J., Range D.E., Pendse A.A., Henao R., Carin L. Weakly supervised instance learning for thyroid malignancy prediction from whole slide cytopathology images. Med Image Anal. 2021; 67. doi: 10.1016/J.MEDIA.2020.101814.

11. Dov D., Elliott Range D., Cohen J., Bell J., Rocke D.J., Kahmke R.R., Weiss-Meilik A., Lee W.T., Henao R., Carin L., Kovalsky S.Z. Deep-learning-based screening and ancillary testing for thyroid cytopathology. Am J Pathol. 2023; 193(9): 1185–94. doi: 10.1016/J.AJPATH.2023.05.011.

12. Dov D., Kovalsky S.Z., Cohen J., Range D.E., Henao R., Carin L. Thyroid cancer malignancy prediction from whole slide cytopathology images. Proc Mach Learn Res. 2019; 106: 553–70.

13. Elliott Range D.D., Dov D., Kovalsky S.Z., Henao R., Carin L., Cohen J. Application of a machine learning algorithm to predict malignancy in thyroid cytopathology. Cancer Cytopathol. 2020; 128(4): 287–95. doi: 10.1002/CNCY.22238.

14. Duan W., Gao L., Liu J., Li C., Jiang P., Wang L., Chen H., Sun X., Cao D., Pang B., Li R., Liu S. Computer-assisted fneneedle aspiration cytology of thyroid using two-stage refned convolutional neural network. Electronics. 2022; 11(24). doi: 10.3390/ELECTRONICS11244089.

15. Alabrak M.M.A., Megahed M., Alkhouly A.A., Mohammed A., Elfandy H., Tahoun N., Ismail H.A.R. Artificial intelligence role in subclassifying cytology of thyroid follicular neoplasm. Asian Pac J Cancer Prev. 2023; 24(4): 1379–87. doi: 10.31557/APJCP.2023.24.4.1379.

16. Hirokawa M., Niioka H., Suzuki A., Abe M., Arai Y., Nagahara H., Miyauchi A., Akamizu T. Application of deep learning as an ancillary diagnostic tool for thyroid FNA cytology. Cancer Cytopathol. 2023; 131(4): 217–25. doi: 10.1002/CNCY.22669.

17. Duc N.T., Lee Y.M., Park J.H., Lee B. An ensemble deep learning for automatic prediction of papillary thyroid carcinoma using fne needle aspiration cytology. Expert Syst Appl. 2022; 188(4). doi: 10.1016/j.eswa.2021.115927.

18. Ali S.Z., Baloch Z.W., Cochand-Priollet B., Schmitt F.C., Vielh P., Vanderlaan P.A. The 2023 Bethesda system for reporting thyroid cytopathology. Thyroid. 2023; 33(9): 1039–44. doi: 10.1089/THY.2023.0141.