DOI
10.34229/KCA2522-9664.26.1.14
УДК 004.93.1
А.С. ДОВБИШ
Сумський державний університет, Суми, Україна, 
a.dovbysh@cs.sumdu.edu.ua
А.М. РОМАНЮК
Сумський державний університет, Суми, Україна, a.romanjik@med.sumdu.edu.ua
І.В. ШЕЛЕХОВ
Сумський національний аграрний університет, i.shelehov@cs.sumdu.edu.ua
Р.А. МОСКАЛЕНКО
Сумський державний університет, Суми, Україна, r.moskalenko@med.sumdu.edu.ua
Т.Р. САВЧЕНКО
Сумський державний університет, Суми, Україна,
taras.savchenk0@student.sumdu.edu.ua
А.П. ДЕНИСЕНКО
Сумський державний університет, Суми, Україна, a.denysenko@med.sumdu.edu.ua
СИСТЕМА ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ
ДЛЯ ДІАГНОСТУВАННЯ РАННІХ СТАДІЙ РАКУ ПРОСТАТИ
ЗА ПАТОМОРФОЛОГІЧНИМИ ОЗНАКАМИ
Анотація. Розроблено метод дослідження із застосуванням інформаційно-екстремальної інтелектуальної технології аналізу даних, яка базується на максимізації інформаційної спроможності системи в процесі машинного навчання. Метод розроблено в рамах функціонального підходу до моделювання когнітивних процесів природного інтелекту. Використовуючи інформаційно-екстремальне машинне навчання, за повнослайдовими гістологічними зображеннями вдалося відрізнити аденому від ранньої стадії раку в тканинах простати. При цьому як додаткові метаознаки розпізнавання використано розміри вражених залоз та їхню міжцентрову відстань, що надало змогу в процесі машинного навчання побудувати високодостовірні вирішальні правила.
Ключові слова: інформаційно-екстремальне машинне навчання, інформаційний критерій, рак простати, аденома, діагностування, повнослайдове гістологічне зображення.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Navid F., Parwani A.V., Pantanowitz L. Whole slide imaging in pathology: advantages, limitations, and emerging perspectives. Pathology and Laboratory Medicine International. 2015. Vol. 7. P. 23–33. 4321. https://doi.org/10.2147/PLMI.S59826.
- 2. Salvi M., Manini C., LЛpez J.I. et al. Deep learning approach for accurate prostate cancer identification and stratification using combined immunostaining of cytokeratin, p63, and racemase. Computerized Medical Imaging and Graphics. 2023. Vol. 109. Article number 102288. https://doi.org/10.1016/j.compmedimag.2023.102288.
- 3. Parker C., Castro E., Fizazi K. et al. Prostate cancer: ESMO clinical practice guidelines for diagnosis, treatment and follow-up. Annals of Oncology. 2020. Vol. 31, N 9. P. 1119–1134. https://doi.org/10.1016/j.annonc.2020.06.011
- 4. Pesapane F.; Acquasanta M., Meo R.D. et al. Comparison of sensitivity and specificity of biparametric versus multiparametric prostate MRI in the detection of prostate cancer in 431 men with elevated prostate-specific antigen levels. Diagnostics. 2021. Vol. 11, N 7. Article number 1223. https://doi.org/10.3390/diagnostics11071223.
- 5. WebPathology Visual Survey of surgical pathology. Prostate. 2023. URL: https://www.webpathology.com/category.asp?category=1.
- 6. Kwak J.T., Hewitt S.M. Nuclear architecture analysis of prostate cancer via convolutional neural networks. IEEE Access. 2017. Vol. 5. P. 18526–18533. https://doi.org/10.1109/ACCESS.2017.2747838.
- 7. Arvaniti E., Fricker K.S., Moret M. et al. Automated Gleason grading of prostate cancer tissue microarrays via deep learning. Sci. Rep. 2018. Vol. 8, N 1. Article number 12054. https://doi.org/10.1038/s41598-018-30535-1.
- 8. Toth R., Schiffmann H., Hube-Magg C. et al. Random forest-based modelling to detect biomarkers for prostate cancer progression. Clinical Epigenetics. 2019. Vol. 11. Article number 148. https://doi.org/10.1186/s13148-019-0736-8.
- 9. Lin C.-F., Wang S.-D. Fuzzy support vector machines. IEEE Transactions on Neural Networks. 2002. Vol. 13, N 2. P. 464–471. https://doi.org/10.1109/72.991432.
- 10. Del Toro O.J., Atzori M., Otїlora S. et al. Convolutional neural networks for an automatic classification of prostate tissue slides with high-grade Gleason score. Proc. SPIE. 2017. Vol. 10140. Article number 101400O. https://doi.org/1117/12.2255710.
- 11. Rabinovich A., Agarwal S., Laris C.A. et al. Unsupervised color decomposition of histologically stained tissue samples. Proc. 17th Annu. Conf. Neural Inf. Process. Syst. NIPS 2003 (8–13 Dec., 2003, Vancouver, BC, Canada). Journal Advance in Neural Inf. Process. Syst. 2004. URL: http://papers.nips.cc/paper/2497-unsupervised-color-decomposition-of-histologically-stained-tissue-samples.pdf.
- 12. Nishio М., Matsuo Н., Kurata Y., Sugiyama О., Fujimoto K. Label distribution learning for automatic cancer grading of histopathological images of prostate cancer. Cancers. 2023. Vol.15, N 5. Article number 1535. https://doi.org/10.3390/cancers15051535.
- 13. Dovbysh А.S, Piatachenko V.Y, Myronenko M.I., Suprunenko M.K, Simonovskiy J.V. Hierarchical information-extreme machine learning of hand prosthesis control system based on decursive data structure. Journal of Engineering Sciences. 2924. Vol. 11, N 2. P. E1–E8. https://doi.org/10.21272/jes.2024.11(2).e1.
- 14. Dovbysh A.S., Shelehov I.V., Romaniuk A.V., Moskalenko R.A, Savchenko T.R. Desision-making support system for diagnosis of breast oncopathologies by histological images. Cybernetics and System Analysis. 2023. Vol 59, N 3. P. 493–502. https://doi.org/10.1007/s10559-023-00584-0.
- 15. Dovbysh A., Shelehov I., Romaniuk A., Moskalenko R., Savchenko T. Decision-making support system for diagnosis of oncopathologies by histological images. Journal of Pathology Informatics. 2023. Vol. 14. Article number 100193. https://doi.org/10.1016/j.jpi.2023.100193.
