Η συμβολή των μεθόδων τεχνητής νοημοσύνης στη διάγνωση αλλοιώσεων του στομάχου

Abstract

Objective This study aims to assess the potential value of back propagation artificial neural networks in the discrimination of benign from malignant gastric cells and cases in routinely prepared gastric smears. For purpose of the study, morphometric data were extracted from each cell and were then evaluated by two neural networks. Materials and methods The study was carried out on brushing cytology smears obtained during gastroscopy from 120 patients. The smears were routinely prepared and stained by the Papanicolaou technique. The cytologic diagnosis was made by two experienced Cytopathologists and was histologically confirmed. The result of this procedure was 13300 measured cell nuclei each one being represented by a pre-specified set of 25 geometric and densitometric characteristics. These features were extracted by the image processing system and their values underwent normalization. The entire data set was split into two parts: the training set and the test set. Two different kinds of split were done in order to evaluate the role of dysplastic cells in the networks’ learning procedure. In the first split, data from dysplastic cells were not included in the training set, as was done in the second. Using these data, two different back propagation neural networks were trained and then tested in classifying the cells into two categories (benign/malignant). The endoscopies were performed at the Gastroenterology Unit of the Department of Pathophysiology, Laiko Hospital, while the gastric smears were examined at the Department of Histology and Embryology of the Medical School of Athens University and at the Department of Diagnostic Cytopathology, University General Hospital Attikon. Results Of a total of 13300 measured cells, 2650 were used for training the first neural network and 2300 for the second. The correct classification of these cells reached the percentage of 98-99%. The remaining 10650 or 10300 cells were used for testing the two networks. The correct cell classification percentages by the two BP neural networks were 95,8% and 97,3% respectively. Conclusions The back propagation neural networks gave excellent results in the discrimination between benign and malignant cells from gastric smears. Their performance is improved when data from dysplastic cells are included in their training. The combination of geometric and densitometric characteristics is important in the evaluation of the cells. This method produces significant results in the nuclear and patient level and promises to be a powerful diagnostic tool in clinical practice.

Σκοπός Η παρούσα μελέτη επιχειρεί την αξιολόγηση της χρήσης μεθόδων τεχνητής νοημοσύνης και συγκεκριμένα των νευρωνικών δικτύων οπισθοδρομικής διάδοσης του σφάλματος στην επεξεργασία των μορφομετρικών παραμέτρων που προκύπτουν από την κυτταρολογική εξέταση επιχρισμάτων αλλοιώσεων του γαστρικού βλεννογόνου. Παράλληλα, εξετάζεται η δυνατότητα των εν λόγω νευρωνικών δικτύων ορθής διάκρισης των καλοήθων από τους κακοήθεις κυτταρικούς πληθυσμούς και ταξινόμησης των κλινικών περιστατικών, μετά την απαιτούμενη ανάλυση των δεδομένων. Υλικό και μέθοδος Στη μελέτη μας χρησιμοποιήθηκαν κυτταρολογικά επιχρίσματα αλλοιώσεων του στομάχου που ελήφθησαν με την τεχνική της ψήκτρας κατά το γαστροσκοπικό έλεγχο 120 ασθενών. Τα επιχρίσματα παρασκευάστηκαν συμβατικά και εγχρώσθησαν κατά Παπανικολάου. Η κυτταρολογική διάγνωση ετέθη από δύο Κυτταρολόγους και επιβεβαιώθηκε ιστολογικά. Ακολούθησε η εξαγωγή των χαρακτηριστικών που περιγράφουν το μέγεθος, το σχήμα και την υφή του πυρήνα των εξεταζομένων κυττάρων με τη βοήθεια του συστήματος ανάλυσης εικόνας. Συνολικά μελετήθηκαν 13300 πυρήνες και ελήφθησαν ισάριθμα δεδομένα με τη μορφή διανυσμάτων. Κάθε διάνυσμα προκύπτει από 25 συνιστώσες, όσες και τα χαρακτηριστικά που αξιολογήθηκαν. Οι συνιστώσες κανονικοποιήθηκαν, ώστε να εντάσσονται στο εύρος τιμών από 0,001 έως 0,999. Τα δεδομένα χωρίστηκαν σε δύο διαφορετικά σύνολα εκπαίδευσης και ελέγχου των νευρωνικών δικτύων. Χρησιμοποιήθηκαν δύο νευρωνικά δίκτυα του τύπου της οπισθοδρομικής διάδοσης του σφάλματος, εκ των οποίων το ένα, μόνο, εκπαιδεύτηκε και με δεδομένα από δυσπλαστικούς πυρήνες. Τέλος, τα νευρωνικά δίκτυα κατέταξαν τα κύτταρα σε δύο κατηγορίες (καλοήθη/κακοήθη). Σημειώνεται, ότι οι ενδοσκοπήσεις και οι λήψεις των δειγμάτων έγιναν στα εξωτερικά ιατρεία του Γαστρεντερολογικού Τμήματος της Κλινικής Παθολογικής Φυσιολογίας του Γ.Ν.Α. «Λαϊκό», ενώ η κυτταρολογική και η ιστολογική εξέταση έγιναν στο Εργαστήριο Ιστολογίας και Εμβρυολογίας της Ιατρικής Σχολής του Πανεπιστημίου Αθηνών και στο Εργαστήριο Διαγνωστικής Κυτταρολογίας του Π.Γ.Ν. «Αττικόν». Αποτελέσματα Από το σύνολο των 13300 κυττάρων, 2650 χρησιμοποιήθηκαν στην εκπαίδευση του πρώτου νευρωνικού δικτύου και 3000 στην εκπαίδευση του δεύτερου, στο οποίο συμπεριλήφθηκαν και δεδομένα δυσπλασιών. Τα κύτταρα αυτά ταξινομήθηκαν σωστά σε ποσοστό 98-99%. Τα εναπομείναντα 10650 ή 10300 κύτταρα αντίστοιχα, αξιοποιήθηκαν στην φάση ελέγχου των δύο νευρωνικών δικτύων. Τα αποτελέσματα έδειξαν ότι το ποσοστό ορθής ταξινόμησης του πρώτου δικτύου ήταν 95,8% , ενώ του δεύτερου 97,3%. Συμπεράσματα Τα νευρωνικά δίκτυα του τύπου της οπισθοδρομικής διάδοσης του σφάλματος παρουσιάζουν σημαντικά αποτελέσματα στη διάκριση καλοήθων από κακοήθη κύτταρα σε επιχρίσματα αλλοιώσεων του στομάχου. Η απόδοσή τους αυξάνει όταν στην εκπαίδευσή τους προστίθενται δεδομένα από δυσπλαστικά κύτταρα. Σημαντικός είναι ο συνδυασμός γεωμετρικών και πυκνομετρικών χαρακτηριστικών στην αξιολόγηση των κυτταρικών πληθυσμών. Η αναγωγή των αποτελεσμάτων σε επίπεδο ασθενούς υπόσχεται να αποτελέσει χρήσιμο διαγνωστικό εργαλείο στην κλινική πράξη.