RU2293524C2 - Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы - Google Patents
Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы Download PDFInfo
- Publication number
- RU2293524C2 RU2293524C2 RU2005112953/14A RU2005112953A RU2293524C2 RU 2293524 C2 RU2293524 C2 RU 2293524C2 RU 2005112953/14 A RU2005112953/14 A RU 2005112953/14A RU 2005112953 A RU2005112953 A RU 2005112953A RU 2293524 C2 RU2293524 C2 RU 2293524C2
- Authority
- RU
- Russia
- Prior art keywords
- follicular
- cytological
- patient
- qualitative
- signs
- Prior art date
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Изобретение относится к области медицины, в частности к онкологии. Способ обеспечивает повышение степени объективности дифференциальной диагностики фолликулярного рака и фолликулярной аденомы щитовидной железы, а также снижение трудоемкости исследования. Проводят взятие материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли, удаленной во время операции; приготовление мазков опухоли, их окраску для цитологического анализа; исследование не менее 120 клеток в трех и более мазках пациента с помощью системы анализа изображения, состоящей их микроскопа проходящего света, цветной видеокамеры, компьютера и программы компьютерной кариоцитометрии, оценка качественных цитологических признаков - наличия атипичных фолликулов, наслоения ядер клеток, наличия неравномерной структуры хроматина; определение суммарной частоты встречаемости каждого качественного цитологического признака в мазках пациента и при превышении пороговой величины, установленной путем экспертных оценок, присвоения ему финальной величины 1 - наличие признака, в остальных случаях 0 - отсутствие признака; анализ величин качественных цитологических признаков пациента с помощью компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы по указанным качественным цитологическим признакам мазков пациента с гистологически установленным диагнозом; заключение компьютерной программы о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы, отличающийся тем, что дополнительно оценивают количественные цитологические признаки - площадь ядра клетки, оптическую плотность ядра клетки по шкале градаций «серого»; определяют долю клеток, величина площади ядра которых находится в интервале между средней величиной плюс 2 средних квадратических отклонения и максимальной величиной, долю клеток, у которых величина оптической плотности ядра по шкале градаций «серого» находится в интервале между средней величиной плюс 2 средних квадратических отклонения и максимальной величиной; при обучении компьютерной программы типа «нейронные сети» дополнительно используют заявленные количественные признаки. 1 табл.
Description
Изобретение относится к медицине, в частности к онкологии, и может быть использовано для дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы.
Известен способ дифференциальной диагностики доброкачественных и злокачественных поражений щитовидной железы, включающий взятие материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции; приготовление мазков опухоли, их окраску для цитологического анализа; исследование не менее 100 ядер клеток с помощью компьютерной системы анализа изображения, оценку величин 25 цитологических признаков, касающихся размера, формы и структуры ядра клеток опухоли щитовидной железы и их статистических производных; анализ величин признаков с помощью компьютерной программы типа «нейронные сети» («LVQ-нейронные сети»), обученной по указанным признакам мазков пациентов с гистологически установленным диагнозом различать доброкачественные и злокачественные поражения щитовидной железы, заключение компьютерной программы о наличии у пациента доброкачественных или злокачественных поражений щитовидной железы (1). Данный способ позволяет различать фолликулярные опухоли, папиллярный рак, опухоли из клеток Гюртля. Недостатком известного способа является то, что он не позволяет дифференцировать фолликулярный рак и фолликулярную аденому щитовидной железы, относя пациентов с данными заболеваниями к одной группе подозрительных на фолликулярный рак. Кроме того, данный способ является трудоемким.
Наиболее близким к заявленному является способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы, включающий взятие материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли, удаленной во время операции; приготовление мазков опухоли, их окраску для цитологического анализа; исследование не менее 120-150 клеток в трех и более мазках пациента с помощью системы анализа изображения, состоящей из микроскопа проходящего света, цветной видеокамеры, компьютера и программы компьютерной кариоцитометрии, оценку значений 13 групп качественных цитологических признаков, включающих 32 признака: наличие нормального или плотного фолликулярного коллоида или его отсутствие, преобладающие структуры (фолликулы, пласты, разрозненные клетки), виды фолликулов (однотипные, выраженный размерный полиморфизм, шаровидные, атипичные), границы цитоплазмы (четкая, нечеткая), локализация вакуолей (по периферии, около ядра), форма ядра (округлая, овальная), контур ядра (ровный, неровный), полиморфизм ядер (выражен слабо, значительный), наслоение ядер клеток, наличие «голых» ядер (ядра клеток, полностью утративших цитоплазму), структура хроматина (равномерная, неравномерная, мелкозернистая, крупнозернистая), наличие внутриядерных включений, вакуолей в ядре (да, нет), количество ядрышек (одиночные, множественные), их положение (центральное, эксцентрическое); определение по каждому качественному цитологическому признаку суммарной частоты его встречаемости в мазках и при превышении пороговой величины, установленной для каждого признака путем экспертных оценок, присвоение ему финальной величины 1 (наличие признака), в остальных случаях - 0 (отсутствие признака); анализ значений признаков пациента с помощью компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы по указанным качественным цитологическим признакам мазков пациентов с гистологически установленным диагнозом, заключение компьютерной программы о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы (2). Данный способ позволяет в 93% случаях правильно установить диагноз. Недостатком известного способа является его трудоемкость и субъективность при оценке качественных цитологических признаков.
Задачей, на решение которой направлено изобретение, является снижение трудоемкости способа, повышение степени объективности диагностики. Решение поставленной задачи достигается тем, что дополнительно оценивают количественные цитологические признаки - площадь ядра клетки, оптическую плотность ядра клетки по серой шкале; определяют долю клеток, у которых величина площади ядра находится в интервале между средней величиной плюс 2 средних квадратических отклонения и максимальной величиной, долю клеток, у которых величина оптической плотности ядра по шкале градаций «серого» находится в интервале между средней величиной плюс 2 средних квадратических отклонения и максимальной величиной; при обучении компьютерной программы типа «нейронные сети» дополнительно используют указанные количественные признаки.
Описание изобретения
Способ дифференциальной диагностики фолликулярного рака и фолликулярной аденомы щитовидной железы согласно заявленному изобретению включает:
1) взятие материала путем аспирационной тонкоигольной пункции щитовидной железы пациента и/или соскоба с разреза ткани опухоли щитовидной железы, удаленной во время операции;
2) приготовление мазков опухоли, их стандартная окраска (например, по Романовскому-Гимза) для цитологического анализа;
3) исследование не менее 120 клеток в трех и более мазках пациента с помощью системы анализа изображения, состоящей из микроскопа проходящего света (например, "AxioStar+" фирмы Carl Zeiss), цветной видеокамеры (например, "JVC"), компьютера (например, Pentium IV IBM) и программы компьютерной кариоцитометрии (например, Axio Vision 3.1);
4) оценка качественных цитологических признаков: наличие атипичных фолликулов, наслоение ядер клеток, наличие неравномерной структуры хроматина;
5) определение по каждому качественному цитологическому признаку суммарной частоты его встречаемости в мазках и при превышении пороговой величины, установленной для каждого признака путем экспертных оценок (как правило, в пределах 50-70%), присвоение ему финальной величины 1 (наличие признака), в остальных случаях - 0 (отсутствие признака);
6) оценка количественных цитологических признаков: площадь ядра клетки, оптическая плотность ядра клетки по шкале градаций «серого»;
7) оценка доли клеток, у которых величина площади ядра находится в интервале между средней величиной (MS) плюс 2 средних квадратических отклонения (СКО) и максимальной величиной (MaxS), т.е в интервале [MS+2CKO, MaxS];
8) оценка доли клеток, у которых величина оптической плотности ядра по шкале градаций «серого» находится в интервале между средней величиной (МОП) плюс 2 средних квадратических отклонения (СКО) и максимальной величиной (МахОП), т.е. в интервале [МОП+2СКО, МахОП];
9) анализ величин качественных и количественных признаков пациента с помощью программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы по заявленной совокупности качественных и количественных признаков мазков пациентов с гистологически установленным диагнозом;
10) заключение компьютерной программы типа «нейронные сети» о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы.
Примеры конкретного выполнения
У 146 пациентов с подозрением на фолликулярную опухоль щитовидной железы забран материал путем аспирационной тонкоигольной пункции щитовидной железы и интраоперационного соскоба во время хирургического вмешательства.
Мазки приготовлены и окрашены по стандартной методике Романовского-Гимза для последующего цитологического анализа. У каждого пациента исследовано 120-150 клеток в трех мазках. С помощью системы анализа изображения (САИ), состоящей из микроскопа проходящего света "AxioStar+" фирмы Carl Zeiss, цветной видеокамеры "JVC S", компьютера Pentium IV IBM и программы компьютерной кариоцитометрии AxioVision 3.1. проанализированы качественные и количественные цитологические признаки согласно заявленному изобретению.
Измерение геометрических параметров ядер клеток и структурные особенности хроматина (вариации оптической плотности) опухолей щитовидной железы производили с помощью компьютерной программы AxioVision 3.1, Carl Zeiss на базе САИ. Для определения оптической плотности (ОП) ядра клетки использовали черно-белое изображение объектов исследования. Оптическую плотность ядер клеток по шкале градаций «серого» измеряли в относительных единицах, находящихся в интервале от 0 до 250, причем за 0 принят абсолютно непрозрачный объект, а за 250 - полностью прозрачный. Площадь ядер клеток измеряли в мкм2.
С помощью программы статистической обработки данных морфометрии проводили математический анализ количественных параметров и определяли средние арифметические, максимальные величины, среднее квадратическое отклонение. На этой основе выполнена оценка доли клеток, у которых величина площади ядра находится в интервале между средней величиной (MS) плюс 2 средних квадратических отклонения (СКО) и максимальной величиной (MaxS), т.е. в интервале [MS+2CKO, MaxS]; доли клеток, у которых величина оптической плотности ядра по шкале градаций «серого» находится в интервале между средней величиной (МОП) плюс 2 средних квадратических отклонения (СКО) и максимальной величиной (МахОП), т.е. в интервале [МОП+2СКО, МахОП].
В качестве компьютерной программы типа «нейронные сети» использовали нейроимитатор «Нейроморф» (3). Для реализации способа могут быть также использованы другие программы, например LVQ-нейронные сети (Learning vector quantizer ) (1), нейро-сетевой симулятор Multineuron (4-6).
Для предварительного обучения компьютерной программы «нейронные сети» на распознавание фолликулярного рака и фолликулярной аденомы щитовидной железы изучены стандартно окрашенные по Романовскому-Гимза цитологические мазки опухолей щитовидной железы 100 больных, полученные при аспирационной пункции тонкой иглой или интраоперационном соскобе во время хирургического вмешательства. В состав группы включены пациенты, которым при гистологическом исследовании удаленной опухолевой ткани независимыми экспертами установлены диагнозы фолликулярной аденомы или фолликулярного рака, не вызывающие сомнения. Для обучения компьютерной программы типа «нейронные сети» использовали совокупность качественных и количественных цитологических признаков мазков больных согласно заявленному изобретению.
С помощью обученной компьютерной программы «нейронные сети» провели анализ признаков 46 пациентов согласно изобретению. Программа «нейронные сети» на основе сравнения с признаками контрольной группы пациентов, использованных для обучения, в 95% случаев выставила на выходе правильное заключение о диагнозе «фолликулярный рак» или «фолликулярная аденома».
В таблице приведены величины качественных и количественных признаков пациента К. и заключение о наличии у него фолликулярной аденомы, а также пациента С. заключение о наличии у него фолликулярного рака щитовидной железы.
Заявленный способ является менее трудоемким, т.к. позволяет поставить диагноз по семи наиболее информативным признакам вместо 32 признаков в прототипе и 25 - в аналоге. Использование заявленной совокупности признаков позволяет объективизировать процесс цитологической диагностики в сложных диагностических случаях благодаря ограничению качественных цитологических признаков наиболее информативно значимыми и дополнительному введению наиболее информативных и объективных количественных признаков, выявленных в процессе научных исследований и с очевидностью не вытекающих из уровня техники.
Список литературы
1. Karakitsos P., Cochand-Priollet В., Pouliakis A., Guillausseau P.J., Ioakim-Liossi A. // Learning vector quantizer in the investigation of thyroid lesions. Anal. Quant. Cytol. Histol. - 1999. - V.21. - N.3. - P.201-218.
2. Пупышева Т.Л., Демин А.В. Возможности нейросетевой технологии при дифференциальной диагностике фолликулярных пролифератов щитовидной железы // Новости клинической цитологии России. - 2003. - Т.7. - № 1-2. - С.4-8.
3. Пупышева Т.Л., Демин А.В. Применение искусственных нейронных сетей в цитологической диагностике фолликулярных пролифератов щитовидной железы // Системный анализ и управление в биомедицинских системах. - 2003. - Т.2. - №1. - С.38-42.
4. http://vlasov.iu4.bmstu.ru/neurosoft/tilling/multin/index.html http://intensive.ru/php/content.php?group=l¶m=print&id=442
5. Гилев С.Е., Горбань А.Н., Коченов Д.А., Миркес Е.М., Россиев Д.А. Нейросетевая программа "MultiNeuron" // Тезисы докладов рабочего семинара "Нейроинформатика и нейрокомпьютеры", Красноярск, 8-11 октября 1993 г., Красноярск. - 1993. - С.12.
6. http://neuronet.alo.ru/predscozanieNeuronet.htm
| Примеры дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы у пациентов К. и С. согласно заявленного изобретения | ||
| Цитологические признаки | Поражение щитовидной железы | |
| Пациент К. | Пациент С. | |
| Качественные признаки: | ||
| Наличие атипичных фолликулов | 0 | 1 |
| Наслоение ядер клеток | 0 | 1 |
| Неравномерная структура хроматина | 0 | 1 |
| Количественные признаки: | ||
| Максимальная площадь ядра клетки, мкм2 | 134,99 | 206,41 |
| Доля клеток, площадь ядра которых находится в интервале | 3,48 | 4,58 |
| [MS+2CKO, MaxS], в % | ||
| Максимальная оптическая плотность ядра клетки, мкм2 | 189,45 | 193,65 |
| Доля клеток, оптическая плотность ядра которых находится в интервале [МОП+2СКО, МахОП], в % | 0,90 | 0,96 |
| Заключение | ||
| Фолликулярная аденома | Фолликулярный рак | |
| Примечание:MS - средняя площадь ядра клетки; MaxS - максимальная площадь ядра клетки; МОП - средняя оптическая плотность ядра клетки; МахОП - максимальная оптическая плотность ядра клетки; СКО - среднее квадратическое отклонение. |
||
Claims (1)
- Способ дифференциальной диагностики фолликулярного рака и фолликулярной аденомы щитовидной железы, включающий взятие материала опухоли щитовидной железы пациента путем аспирационной тонкоигольной пункции и/или соскоба с разреза ткани опухоли, удаленной во время операции, приготовление мазков опухоли, их окраску для цитологического анализа, исследование не менее 120 клеток в трех и более мазках пациента с помощью системы анализа изображения, состоящей их микроскопа проходящего света, цветной видеокамеры, компьютера и программы компьютерной кариоцитометрии, оценка качественных цитологических признаков - наличия атипичных фолликулов, наслоения ядер клеток, наличия неравномерной структуры хроматина, определение суммарной частоты встречаемости каждого качественного цитологического признака в мазках пациента и при превышении пороговой величины, установленной путем экспертных оценок, присвоения ему финальной величины 1 - наличие признака, в остальных случаях 0 - отсутствие признака, анализ величин качественных цитологических признаков пациента с помощью компьютерной программы типа «нейронные сети», предварительно обученной различать фолликулярный рак и фолликулярную аденому щитовидной железы по указанным качественным цитологическим признакам мазков пациента с гистологически установленным диагнозом, заключение компьютерной программы о наличии у пациента фолликулярной аденомы или фолликулярного рака щитовидной железы, отличающийся тем, что дополнительно оценивают количественные цитологические признаки - площадь ядра клетки, оптическую плотность ядра клетки по шкале градаций «серого», определяют долю клеток, величина площади ядра которых находится в интервале между средней величиной плюс 2 средних квадратических отклонения и максимальной величиной, долю клеток, у которых величина оптической плотности ядра по шкале градаций «серого» находится в интервале между средней величиной плюс 2 средних квадратических отклонения и максимальной величиной, при обучении компьютерной программы типа «нейронные сети» дополнительно используют заявленные количественные признаки.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2005112953/14A RU2293524C2 (ru) | 2005-04-28 | 2005-04-28 | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2005112953/14A RU2293524C2 (ru) | 2005-04-28 | 2005-04-28 | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2005112953A RU2005112953A (ru) | 2006-11-10 |
| RU2293524C2 true RU2293524C2 (ru) | 2007-02-20 |
Family
ID=37500464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2005112953/14A RU2293524C2 (ru) | 2005-04-28 | 2005-04-28 | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2293524C2 (ru) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EA016530B1 (ru) * | 2009-11-18 | 2012-05-30 | Учреждение Рамн Научно-Исследовательский Институт Экологии Человека И Гигиены Окружающей Среды Им. А.Н. Сысина Рамн | Способ выявления цитогенетического и цитотоксического действия факторов окружающей среды в клетках щитовидной железы |
| RU2493770C2 (ru) * | 2011-09-13 | 2013-09-27 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Амурская государственная медицинская академия" Минздравсоцразвития Российской Федерации | Способ диагностики рака у больных с дооперационным цитологическим диагнозом "фолликулярная опухоль" щитовидной железы с помощью математического моделирования |
| RU2646800C2 (ru) * | 2016-03-09 | 2018-03-07 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Дагестанская государственная медицинская академия" Министерства здравоохранения РФ | Способ дифференциальной диагностики заболеваний щитовидной железы |
-
2005
- 2005-04-28 RU RU2005112953/14A patent/RU2293524C2/ru not_active IP Right Cessation
Non-Patent Citations (1)
| Title |
|---|
| ПУПЫШЕВА Т.Л. и др. Возможности нейросетевой технологии при дифференциальной диагностике фолликулярных пролифератов щитовидной железы. Новости клинической цитологии России, 2003, т.7, №1, с.4-8. * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EA016530B1 (ru) * | 2009-11-18 | 2012-05-30 | Учреждение Рамн Научно-Исследовательский Институт Экологии Человека И Гигиены Окружающей Среды Им. А.Н. Сысина Рамн | Способ выявления цитогенетического и цитотоксического действия факторов окружающей среды в клетках щитовидной железы |
| RU2493770C2 (ru) * | 2011-09-13 | 2013-09-27 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Амурская государственная медицинская академия" Минздравсоцразвития Российской Федерации | Способ диагностики рака у больных с дооперационным цитологическим диагнозом "фолликулярная опухоль" щитовидной железы с помощью математического моделирования |
| RU2646800C2 (ru) * | 2016-03-09 | 2018-03-07 | Государственное бюджетное образовательное учреждение высшего профессионального образования "Дагестанская государственная медицинская академия" Министерства здравоохранения РФ | Способ дифференциальной диагностики заболеваний щитовидной железы |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2005112953A (ru) | 2006-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10025271B2 (en) | Method and system for detecting and/or classifying cancerous cells in a cell sample | |
| US11561178B2 (en) | Artificial fluorescent image systems and methods | |
| EP4070232A1 (en) | Systems and methods for high throughput drug screening | |
| CN106462767B (zh) | 用于处理和分析图像的检查设备 | |
| CN101167101A (zh) | 自动图像分析 | |
| US20240177302A1 (en) | Cellular diagnostic and analysis methods | |
| Jondet et al. | Automatic measurement of epithelium differentiation and classification of cervical intraneoplasia by computerized image analysis | |
| RU2293524C2 (ru) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы | |
| RU2353295C2 (ru) | Способ дифференциальной диагностики фолликулярной аденомы и фолликулярного рака щитовидной железы | |
| Marcal et al. | Evaluation of the Menzies method potential for automatic dermoscopic image analysis. | |
| WO2019175959A1 (ja) | 細胞状態判定方法及び細胞状態判定装置 | |
| Alsayyah | Differentiating Between Early Melanomas and Melanocytic Nevi: A State-of-the-Art Review | |
| CN115602311A (zh) | 基于胶原纤维多元参量分析的胰腺癌辅助检查工具 | |
| RU2321859C2 (ru) | Способ дифференциальной диагностики гиперплазии, интраэпителиальных неоплазий и рака шейки матки | |
| Chitra et al. | Detection of aml in blood microscopic images using local binary pattern and supervised classifier | |
| Bapure | Automated image analysis for nuclear morphometry using h&e and feulgen stains in prostate biopsies | |
| Hasegawa et al. | Skin Diagnostic Method Using Fontana-Masson Stained Images of Stratum Corneum Cells | |
| Babker et al. | Wavelet Analysis as Research Tool Image Cytological Preparations | |
| RU2306868C1 (ru) | Способ диагностики рака | |
| Lyashenko et al. | The study of blood smear as the analysis of images of various objects | |
| Merhar et al. | Morphometric Image Analysis and its Applications in Biomedicine Using Different Microscopy Modes | |
| RU2785853C1 (ru) | Способ дифференциальной диагностики злокачественной опухоли и доброкачественного процесса костной ткани на отсканированных изображениях гистологического стекла | |
| RU2828670C1 (ru) | Способ изучения распределения нейронов в ретинотопических зонах на гистологическом срезе наружного коленчатого тела животных | |
| Sheikhzadeh | Improving cervical neoplasia diagnosis via novel in vivo imaging technologies and deep learning algorithms | |
| Roszkowiak et al. | Short survey: Adaptive threshold methods used to segment immunonegative cells from simulated images of follicular lymphoma stained with 3, 3′-Diaminobenzidine&Haematoxylin |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20150429 |