ВЫДЕЛЕНИЕ И АНАЛИЗ ЧИСЛОВЫХ ХАРАКТЕРИСТИК МОРФОЛОГИЧЕСКИХ ПРИЗНАКОВ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ПЕЧЕНИ

Abstract

Kapustina E.A. Allocation and analysis of numeric characteristics of morphological signs for liver state estimation. As a result of research of existing methods of a liver state estimation on the basis of morphological researches’ results numeric characteristics of morphological signs are allocated. The given characteristics are analysed, unredundancy and sufficiency of signs’ set for a liver state estimation are defined.

Морфологическое исследование гистологического среза печени имеет большое значение, поскольку его результаты позволяют не только поставить или уточнить окончательный диагноз, распознать и исключить другие виды повреждений, определить степень выраженности процесса и стадию заболевания, но и активно используются для оптимизации дальнейшей лечебной тактики и определения эффективности терапии [1,2,3].

Традиционные подходы к анализу результатов морфологического исследования не всегда могут обеспечить своевременность и объективную достоверность поставленного диагноза [4]. В связи с этим актуальной является задача автоматизации и объективизации обработки и анализа данных морфологического исследования с использованием современных компьютерных технологий. Решение этой задачи позволит:

1. значительно уменьшить влияние субъективного фактора на принятие решений;
2. улучшить точность, обоснованность и достоверность принятого решения, что имеет большое значение, поскольку от этого зависит выбор курса лечения и качество его результата;
3. облегчить труд врача–морфолога путем освобождения его от выполнения рутинных операций визуального анализа изображения среза на наличие тех или иных морфологических признаков;
4. сократить время, затрачиваемое на анализ морфологических данных и принятие решения.

Существующие способы обработки и анализа гистологических срезов тканей печени (табличный подход с использованием диагностических таблиц — шкал гистологических индексов Серова, Кноделль (Knodell), Исхак (Ishak), Дермет (Dermet), Шейер (Scheuer) [4]; модификация этого подхода — классификационная система METAVIR [3]; компьютерные системы микроскопии, работающие с биоптатами печени [5]) обладают несколькими существенными недостатками:

• субъективность результата анализа — сложившееся мнение врача во многом зависит от его квалификации и предыдущего опыта;
• отсутствие стандартизованных, формализованных и точных методик оценивания гистологического среза;
• ориентация компьютерных систем в основном на операции с областью интереса, автоматизацию и контроль рутинных операций микроскопии, и отсутствие функций расчета объективных критериев, на основании которых система может сформировать диагностическое предположение по обработанным результатам;
• высокая стоимость программно–технических комплексов, работающих с гистологическими срезами биоптатов печени.

Было выполнено изучение медицинской и технической литературы по данной предметной области; проанализированы существующие системы диагностики, их достоинства и недостатки; изучена существующая и принятая к практике методика оценивания состояния печени. Текущим этапом работы является решение задачи формализации и стандартизации медицинских знаний. Для этого необходимо провести следующие теоретические исследования значимости, информативности диагностических признаков и связей между ними:

• создание перечня морфологических признаков;
• построение классификационной шкалы признаков;
• определение безизбыточности набора признаков;
• определение достаточности набора признаков и сохранение связей между ними [2].

В результате анализа существующих методов были выделены следующие морфологические признаки, имеющие соответствующие числовые характеристики:

• π₁ — отношение суммарной площади тканей, пораженных некрозом, к общей площади изображения, %;
• π₂ — отношение суммарной площади «белых пятен» (жировая дистрофия) к общей площади изображения, %;
• π₃ — отношение суммарной площади клеток с вакуольной дистрофией к общей площади изображения, %;
• π₄ — отношение количества полиморфных клеток к общему количеству клеток в поле изображения (учитывается индекс вытянутости клетки E=L/B, где L — длинный диаметр, D — короткий), %;
• π₅ — количество звездчатых ретикулоэндотелиоцитов (ЗРЭЦ);
• π₆ — количество лимфоцитов в портальных трактах;
• π₇ — количество лимфоцитов в желчных протоках.

Было отобрано 71 изображение гистологических препаратов от 23 пациентов отделения гастроэнтерологии Донецкого областного клинического территориального медицинского объединения с заведомо известными диагнозами (11 случаев гепатита B, 12 случаев гепатита C), по которым были рассчитаны приведенные выше показатели. Результаты этой обработки приведены в таблице 1:

Поскольку различные значения признаков π1 — π7 и соответствующие им значения остальных признаков наблюдались по одному разу, то группирование данных по частотам и отыскание условных средних не выполнялись.

По данным таблицы 1 для оценки тесноты линейной связи между выделенными признаками была построена нормированная корреляционная матрица (таблица 2):

Данные, приведенные в таблице, хотя и свидетельствуют о том, что между некоторыми признаками имеется линейная корреляционная связь (пары признаков π₁ и π₂, π₂ и π₃, π₁ и π₆), однако не позволяют говорить о достаточно тесной линейной корреляции измеряемых признаков (при выбранном уровне значимости α=0,05). Поэтому можно сделать вывод, что ни один из признаков не может быть предсказан по значению, соответствующему другому признаку, а, следовательно, ни один из признаков не может быть исключен из рассмотрения [6].

Далее требуется определить, насколько хорошо эти признаки помогают провести дискриминацию и позволяют отличить одну группу (гепатит B) от другой (гепатит C). Мы располагаем информацией о некотором числе пациентов, болезнь каждого из которых относится к одному из двух диагнозов. Эта информация представляет собой обучающую выборку для проведения классификации. На основании этой информации нужно найти функции, позволяющие поставить пациентам характерные для них диагнозы. Поскольку перечень возможных классов заранее известен, и каждое наблюдение в имеющейся совокупности мы можем отнести к одному из классов (либо гепатит B, либо гепатит C), то для построения таких различающих функций предлагается использовать методы дискриминантного анализа [7].

Для получения коэффициентов β_i дискриминантной функции нужен статистический критерий различения групп. Очевидно, что классификация переменных будет осуществляться тем лучше, чем меньше рассеяние точек относительно центроида внутри группы и чем больше расстояния между центроидами групп. Расстояние между центрами групп оценивается с помощью обобщенного расстояния D² Махалонобиса, которое характеризует усредненное расстояние групповых средних от общего среднего.

В результате дискриминантного анализа получены:

• обобщенный D² Махалонобиса=173.66595; поскольку рассчитанная величина D²>χ²_α(p(g-1))=14.1, то дискриминация возможна (α=0.05 — уровень значимости, p=7 — число признаков, g=2 — количество классов);
• d₁=-7.87704-0.00973·π₁+0.61028·π₂-2.25276·π₃+1.80701·π₄-1.97284·π₅+0.78936·π₆+0.30949·π₇ — первая дискриминантная функция;
• d₂=-32.84497+0.53144·π₁+0.19735·π₂-4.93260·π₃+4.32184·π₄-5.56239·π₅+1.58573·π₆+0.56358·π₇ — вторая дискриминантная функция.

Таким образом, были получены следующие результаты.

При выделении морфологических признаков и измерении их численных характеристик было получено 7 численных показателей.

Корреляционная связь между выделенными признаками не достаточно тесна при уровне значимости α=0.05, поэтому ни один из признаков не может быть исключен из рассмотрения. Это позволяет говорить о безизбыточности набора выделенных признаков.

Методами дискриминантного анализа была проанализирована способность выделенных количественных признаков разделять совокупность объектов, характеризуемых ими, на классы. Опираясь на рассчитанный критерий D² Махалонобиса, было установлено, что дискриминация возможна. Это позволяет говорить о достаточности данного набора морфометрических признаков.

Решение задачи формализации и стандартизации знаний позволяет приступить к решению следующих из поставленных ранее задач:

• расчет объективных критериев оценивания;
• разработка программного обеспечения, в котором будет реализована обработка изображения гистологического среза и обработка результатов;
• апробация разработанного программного обеспечения на контрольных данных.

1. Серов В.В. Морфологическая диагностика заболеваний печени. — М: Медицина, 1989. — 336 с.: ил.
2. Автандилов Г.Г. Медицинская морфометрия. Руководство. — М: Медицина, 1990. — 384 с.: ил.
3. Лобзин Ю.В., Жданов К.В., Ключарева А.А. и др. Хронические гепатиты В и С: критерии диагностики и патоморфология // Вирусные гепатиты: достижения и перспективы. — 2003. – №2. – С. 14–16.
4. Морфологические признаки гепатита С и цирроза при разной активности процесса / В.В.Серов, Л.О.Севергина, И.В.Попова, Т.М.Игнатова // Рос. журн. гастроэнтерологии, гепатологии, колопроктологии. — 1995. – Т. 5, N3. — С. 58–61
5. Michael Hatcher. Medicine to boost microscopy market // Opto and Laser Europe magazine. — 2003. — N 2. — P. 121–127.
6. Теория вероятностей и математическая статистика: Учеб. Пособие для вузов/ В.Е.Гмурман. — 9–е изд., стер. — М.: Высш. шк., 2003. — 479 с.: ил.
7. Тюрин Ю.Н., Макаров А.Н. Статистический анализ данных на компьютере/ Под ред. В.Э. Фигурнова — М.: ИНФРА–М, 1998. — 528 с.: ил.

©Капустина Е.А. Выделение и анализ числовых характеристик морфологических признаков для оценки состояния печени // Сборник трудов магистрантов 2005 Донецкого национального технического университета. Выпуск 4. — Донецк, ДонНТУ Министерства образования и науки Украины, 2005