В докладе генерального директора Всемирной организации здравоохранения (ВОЗ) по ускорению элиминации рака шейки матки (РШМ), выпущенном 30 ноября 2018 года, отмечается, что, наряду с вакцинацией против вируса папилломы человека (ВПЧ), лечением предраковых состояний, ранним выявлением, безотлагательным лечением инвазивного рака на ранних стадиях и оказанием паллиативной помощи, важной частью проверенной эффективной стратегии в отношении борьбы с РШМ на всех этапах оказания медицинской помощи является скрининг. В докладе также указывается, что, по прогнозам, несмотря на эффективность этой стратегии, без срочного расширения медицинского обслуживания смертность от РШМ продолжит значительно расти, и рост будет неравномерным – наибольший относительный прирост ежегодного числа случаев заболевания в период до 2040 гг. придется на страны с более низким уровнем дохода, что еще больше усугубит текущие значительные различия в показателях заболеваемости РШМ, когда 90% случаев смерти от него происходят в странах с низким и средним уровнем доходов [1].
Такой сценарий со значимой вероятностью может развернуться в Российской Федерации (РФ), относящейся к странам со средним уровнем доходов [2]. Действительно, в РФ уровни заболеваемости РШМ и смертности от него на протяжении многих лет стабильно составляют значительную долю в структуре общей заболеваемости злокачественными новообразованиями (ЗНО) и смертности от них. Например, в 2020 году общероссийские уровни заболеваемости РШМ и смертности от него все еще имеют высокие значения - 4-е место в структуре всех ЗНО у женщин [3].
3 августа 2020 года, во время проведения семьдесят третьей сессии, принимая к сведению доклад генерального директора, ВОЗ утвердила Глобальную стратегию по ускорению элиминации РШМ, признав его проблемой общественного здравоохранения, и установила цели и задачи на период 2020-2030 гг. В стратегии указывается, что скрининг (с вакцинацией) является эффективным мероприятием по его профилактике. Также в стратегии признается неотложная необходимость осуществления и расширения масштабов программ скрининга и активизации научных исследований для разработки экономически эффективных и инновационных мероприятий, связанных с РШМ, что позволит повысить ценовую и физическую доступность скрининга в том числе [4].
К стандартным методам скрининга РШМ на протяжении многих лет относится цитологическое исследование шейки матки, которое снизило уровень смертности от РШМ в странах c высоким уровнем доходов [5].
В России в текущее время проводится два типа цитологических исследований шейки матки: традиционная цитология (ТЦ) и жидкостная цитология (ЖЦ). ЖЦ обеспечивает более высокое качество образцов за счет большей четкости и равномерного распределения мазков. Результаты исследований, в которых сравнивались ТЦ и ЖЦ, позволяют сделать вывод о том, что ЖЦ обладает более высокой чувствительностью [6; 7], особенно при применении автоматизированной системы анализа и компьютеризированного просмотра [8].
В России представлены несколько систем для ЖЦ, однако лишь некоторые клинико-диагностические лаборатории располагают автоматизированным оборудованием для всех диагностических этапов. Зачастую в лабораториях отсутствуют системы компьютеризированного просмотра. Это не может не сказываться на эффективности выявления патологии шейки матки. Одним из факторов, влияющих на количество ложноотрицательных мазков, является правильная интерпретация цитологом присутствующих в мазке клеток. Лишь очень небольшая часть из них может быть злокачественной, и это требует внимательности и напряжения от цитолога. Согласно рекомендациям допустимо просматривание не более 70 мазков в день во избежание переутомления. И даже в этом случае цитологу нужно быть в постоянном тонусе, анализируя 3–4 поля зрения в секунду, не пропустив при этом патологических изменений в мазке [9]. К тому же до сих пор значительное количество российских клинико-диагностических лабораторий не оснащены системами для ЖЦ и, соответственно, применяют ТЦ.
В связи с ограничением материальных ресурсов в здравоохранении, не только в России, но и многих других странах мира, вырос интерес к разработке прикладных компьютерных программ (КП) с открытым кодом для анализа изображений клеток (open-source software tools), которые могли бы помочь с решением проблемы материальной доступности автоматизированных системы анализа и компьютеризированного просмотра. КП для анализа изображений клеток призваны уменьшить зависимость от трудоемкого ручного микроскопического исследования биоматериала, одновременно требующего от специалиста значительного опыта в этой области биомедицинских исследований.
Конечно, для того чтобы такие КП использовались в клинической практике, необходимо пройти процедуру их регистрации как медицинского изделия, которая сопровождается определенными трудностями [10]. Однако стремительное развитие цифровых технологий во всех сферах человеческой жизни, которое мы имеем в текущее время, неизбежно приведет и к цифровой трансформации медицинских услуг, в том числе в клинической лабораторной диагностике, и, соответственно, трудности, в первую очередь административные, должны быть преодолены. Темпы цифровизации диктуют специалистам клинической лабораторной диагностики, в том числе работающим с изображениями биоматериала, быть уверенными и продвинутыми пользователями разных КП и знать основы распространенных языков программирования, чтобы поддерживать эффективность своей профессиональной деятельности. К тому же во многих клинико-диагностических лабораториях ведется активная исследовательская работа, которая в настоящее время невозможна без использования цифровых технологий.
Цель исследования. Учитывая наличие проблемы материальной доступности автоматизированных систем анализа и компьютеризированного просмотра для анализа мазков шейки матки на онкоцитологию, мы сделали обзор КП, актуальных в настоящий момент. КП для нашего обзора должны были соответствовать следующим критериям: иметь открытый код, уметь анализировать изображения клеток, полученных методом световой микроскопии, и обладать потенциалом для анализа мазков шейки матки, приготовленных методами ТЦ и ЖЦ. Также эти КП должны быть апробированы и рекомендованы исследователями, которые не являются их разработчиками (авторами) и правообладателями.
Материалы и методы исследования. Поиск информации о КП, которые соответствуют критериям, упомянутым выше, осуществлялся в открытом полнотекстовом архиве литературы по биомедицине и наукам о жизни PubMed Central. Архив принадлежит Национальной библиотеке медицины Национального института здоровья США (U.S. National Institutes of Health's National Library of Medicine) [11]. Учитывая скорость разработок КП, их поиск велся среди публикаций только 2021 года.
Детали поиска были следующими - (Open[All Fields] AND "source"[All Fields] AND ("software"[MeSH Terms] OR "software"[All Fields]) AND bioimage[All Fields] AND ("cytology"[Subheading] OR "cytology"[All Fields] OR "cytological techniques"[MeSH Terms] OR ("cytological"[All Fields] AND "techniques"[All Fields]) OR "cytological techniques"[All Fields] OR "cytology"[All Fields] OR "cell biology"[MeSH Terms] OR ("cell"[All Fields] AND "biology"[All Fields]) OR "cell biology"[All Fields])) AND ("open access"[filter] AND ("2021/01/01"[PubDate] : "2021/12/31"[PubDate])).
Результаты исследования и их обсуждение. В результате указанного поискового запроса платформой PubMed Central были выданы 66 публикаций, из них были выбраны 2 статьи, которые, по нашему мнению, наиболее полно соответствуют задачам нашего обзора [12; 13]. В выбранных нами статьях мы нашли упоминания о восьми КП, таких как BIAFLOWS, CDeep3M2, HistomicsML2, NucleAlzer, CellPose, Microscopy Image Browser, InstantDL.
В перечисленных КП решается широкий спектр задач, которые очень важны для компьютерного анализа изображений клеток, таких как автоматическая обработка вариабельности мазков, обнаружение артефактов, сегментация отдельных ячеек и кластеров ячеек, сегментация ядер и цитоплазмы для каждой отдельной клетки и автоматическое обнаружение аномальных изменений морфологии клеток [14].
Необходимо также отметить, что в них использованы компьютерные инструменты, имеющие принятое сейчас название «глубокое обучение» (deep-learning). Глубокое обучение обещает выполнить ранее трудноразрешимые задачи анализа изображений биологических объектов. Компьютерные методы, основанные на глубоком обучении, способствуют обучению компьютерных моделей определять соответствующие шаблоны в необработанных входных данных, в то время как в классических подходах к анализу изображения применялся и применяется уже известный алгоритм для выполнения желаемой задачи с использованием набора специально разработанных правил. Определение соответствующих шаблонов в необработанных входных данных достигается путем обучения сложных моделей, известных как глубокие нейронные сети, на наборах данных, помеченных определенным результатом. Глубокое обучение позволяет вычислительным моделям нескольких уровней обработки изучать и представлять данные с несколькими уровнями абстракции, имитируя то, как мозг воспринимает и понимает информацию из множества модулей, фиксируя сложные структуры крупномасштабных данных. Глубокое обучение заняло значительное место в компьютеризированном просмотре (компьютерном зрении), когда нейронные сети, использующие глубокое обучение, начали превосходить другие методы, использовавшиеся в популярных КП для анализа изображений. До недавнего времени считалось очень сложной задачей позволить компьютерам распознавать изображения биологических образцов, но к настоящему времени глубокие нейронные сети превзошли даже человеческие возможности в этой области. Существует следующий факт: модель глубокого обучения уменьшила вдвое один из лучших показателей ошибок в задаче классификации изображений. Методы глубокого обучения стали де-факто стандартом для решения широкого круга задач компьютерного зрения [15Ошибка! Источник ссылки не найден.].
Программа BIAFLOWS (https://biaflows.neubias.org/#/projects) - это интернет-платформа для воспроизводимого развертывания и публичного тестирования рабочих процессов анализа изображений с упором на микроскопические изображения биологических образцов. В базе данных платформы хранятся наборы научных данных, метаданные и рабочие процессы анализа изображений с оптимизированными параметрами. Рабочие процессы запускаются удаленно, их результаты визуализируются также удаленно - в виде наложения на исходные изображения, и могут автоматически сравниваться с общепринятыми показателями. Показатели каждого запуска рабочего процесса можно просматривать для каждого изображения или в виде общей статистики по всем наборам данных. В целом BIAFLOWS обеспечивает интеграцию и оценку разнородных рабочих процессов, изначально написанных для разных программных языков и библиотек.
Программа CDeep3M2 (https://cdeep3m.crbs.ucsd.edu/cdeep3m) представляет собой облачный инструмент, который концептуально разработан для широкого распознавания функций с 18 миллионами обучаемых параметров и тремя моделями, обучаемыми параллельно на одном, трех и пяти последовательных кадрах изображения. В этой КП реализованы модульная структура и конвейеры пакетной обработки, что обеспечивает простоту использования и минимизацию времени простоя в облаке. Для пользователей предусмотрена немедленная возможность развертывания машины с CDeep3M для загрузки своих обучающих изображений и меток для создания собственной обученной модели и впоследствии для сегментирования своих наборов данных.
Программа HistomicsML2 (https://histomicsml2.readthedocs.io/en/latest/index.html#) - это КП для быстрой и интерактивной разработки классификаторов глубокого обучения на основе набора данных изображений полного слайда. Исследователи могут использовать интерфейс этой КП на основе браузера. КП обучает и проверяет классификаторы для клеточных паттернов, также помогает пользователям маркировать наиболее ценные учебные экземпляры, создавая более точные классификаторы с меньшими затратами времени и усилий.
Программа NucleAlzer (https://www.nucleaizer.org/) – КП, которая может быть использована и как интернет-приложение, и как локальное приложение. В КП используются разные методы анализа локализации клеточных ядер, представляющих различные реальные сценарии. В ней осуществлена адаптация к невидимым и немаркированным данным с использованием передачи стиля изображения для создания расширенных обучающих выборок, что позволяет этой модели распознавать ядра в различных реальных исследованиях.
Программа CellPose (http://www.cellpose.org/) – КП для ручной маркировки и обработки автоматизированных результатов с возможностью прямой загрузки в ее репозиторий. КП сегментирует широкий спектр типов изображений клеток и не требует переобучения модели или настройки параметров. CellPose работе с набором данных, содержащим более 70.000 сегментированных объектов. В этой КП происходит периодическое переобучение модели на данных, предоставленных открытым сообществом биомедицинских исследователей.
Программа CSBDeep (https://csbdeep.bioimagecomputing.com/) представляет собой набор цифровых инструментов для восстановления и сегментации изображений клеток с учетом их содержимого и предназначена для использования с языками программирования Python или Fiji.
Программа Microscopy Image Browser (http://mib.helsinki.fi/index.html) - это программный пакет на основе Matlab для расширенной обработки изображений, сегментации и визуализации многомерных (2D-4D) наборов данных световой и электронной микроскопии. КП позволяет проводить количественный анализ морфологических характеристик. Среда этого пакета с открытым исходным кодом обеспечивает настройку и возможность добавления исследователем новых подключаемых модулей для настройки программы для конкретных нужд исследовательского проекта.
Программа InstantDL (https://github.com/marrlab/InstantDL) – это модуль, нацеленный на пользователей, имеющих базовые знания о машинном обучении, знающих необходимые для модуля функции и понимающих, как разделить данные на набор для обучения и набор для тестирования. Но программа хорошо документирована и для тех, кто хочет настроить ее под свои нужды, не внося изменения в код. КП может быть использована для автоматизированного анализа с использованием компьютеризированного просмотра.
После ознакомления с общей информацией об этих КП на данном этапе нам сложно рекомендовать из них какую-либо конкретную КП для исследований, содержащих методы ТЦ и ЖЦ, потому что потребности и уровни навыков программирования каждого исследователя различны. Судя по общей информации, КП имеют достаточно понятный интерфейс, поэтому можно рекомендовать опробовать их все, чтобы увидеть, удовлетворяет ли какая-либо из них потребностям конкретного исследователя.
Также хотим отметить, что, несмотря на то что КП рекомендуются, в том числе пользователям без навыков программирования, все-таки их использование требует знаний и умений в компьютерных технологиях, выходящих за рамки, принятые в текущее время за обычные пользовательские в российском биомедицинском сообществе.
Опираясь на наши знания, опыт и навыки, мы планируем провести исследование, в котором сравним характеристики этих КП для наших исследований мазков шейки матки на онкоцитологию.
Изучение характеристик КП, пусть даже ограниченное узким поиском, свидетельствует о присутствии на мировом рынке сильных инициатив в области разработки компьютерного зрения для анализа изображений в биомедицинских исследованиях. Уже известно, что не только медицинские технологические компании – от малых до крупных, но и титаны современных технологий, такие как Google (Google Brain), Microsoft и IBM, реализуют технологические проекты в этом направлении [15].
Заключение. В нашей статье мы предоставили информацию о КП с открытым исходным кодом, предназначенных для анализа изображений клеток, полученных методом световой микроскопии. По нашему мнению, они могут использоваться для анализа мазков шейки матки, приготовленных методами ТЦ и ЖЦ. Эти КП апробированы и рекомендованы исследователями, которые не являются их разработчиками (авторами) и правообладателями. Изучение характеристик этих КП позволяет нам рассматривать их использование для наших будущих исследований шейки матки на онкоцитологию, на настоящем этапе - пока только для научных работ.
Учитывая скорость внедрения разнообразных компьютерных систем в повседневные рабочие процессы клинической практики, в кардиологическую как пример, с большой долей уверенности можно утверждать, что в скором времени автоматизированный анализ с использованием компьютеризированного просмотра цитологических препаратов шейки матки будет также рутинным процессом – а это требует уже в настоящее время от российского биомедицинского сообщества укрепления и расширения знаний и умений в области компьютерных технологий.