АНАЛІЗ СУЧАСНИХ МЕТОДІВ ТА БІОТЕХНІЧНИХ СИСТЕМ ДЛЯ ДІАГНОСТИКИ ОНКОПАТОЛОГІЙ ЗА ЦИТОЛОГІЧНИМИ ЗОБРАЖЕННЯМИ
DOI:
https://doi.org/10.31498/2522-9990312026359385Ключові слова:
цитологічні зображення, комп’ютерна діагностика, сегментація клітин, нейронні мережі, CAD-системи, онкопатологія, біотехнічна система.Анотація
У статті проведено комплексний аналіз сучасних методів та біотехнічних систем для автоматизованої діагностики онкопатологій за цитологічними зображеннями. Актуальність дослідження зумовлена зростанням онкологічної захворюваності у світі – за оцінками GLOBOCAN 2022, щорічно реєструється близько 20 мільйонів нових випадків раку, а в Україні понад 38% випадків діагностується на пізніх стадіях, що підкреслює гостру потребу в ефективних засобах раннього скринінгу. Метою роботи є систематичний аналіз поточного стану методів комп'ютерного аналізу цитологічних зображень, виявлення ключових невирішених проблем та обґрунтування напрямків подальших досліджень у галузі біомедичної інженерії. Розглянуто медико-технічні аспекти формування цитологічних зображень, включаючи типи мікроскопії, методики підготовки препаратів та характерні артефакти. Проаналізовано комерційні CAD-системи для цервікальної цитології, зокрема ThinPrep Imaging System, BD FocalPoint GS та Genius Digital Diagnostics System, а також основні відкриті датасети (SIPaKMeD, Herlev, ISBI 2014/2015, CRIC, Cx22). Виконано порівняльний аналіз класичних методів сегментації клітин (порогова обробка Оцу, метод вододілу, активні контури) та архітектур глибокого навчання (U-Net, Mask R-CNN, Cellpose, StarDist, HoVer-Net), який показав суттєву перевагу нейромережевих підходів за точністю та стійкістю. Досліджено методи класифікації від класичних алгоритмів машинного навчання (SVM, Random Forest) до сучасних глибоких нейронних мереж (ResNet, EfficientNet, Vision Transformers). Виявлено три ключові невирішені проблеми: недостатня точність інстансної сегментації перекриваючих клітин у реальних препаратах, значний доменний зсув між лабораторіями, що призводить до суттєвого зниження продуктивності навчених моделей, а також обмеженість та незбалансованість наявних відкритих датасетів. Обґрунтовано напрямок подальших досліджень, спрямований на розробку біотехнічної системи, яка поєднувала б модифікований метод інстансної сегментації з автоматичною класифікацією за морфологічними ознаками та забезпечувала стійкість до доменного зсуву для потреб ранньої діагностики онкопатологій.
Посилання
Bray F., Laversanne M., Sung H. et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians. 2024. Vol. 74, no. 3. P. 229-263. DOI: https://doi.org/10.3322/caac.21834.
Filho A. M., Laversanne M., Ferlay J. et al. The GLOBOCAN 2022 cancer estimates: Data sources, methods, and a snapshot of the cancer burden worldwide. International Journal of Cancer. 2025. Vol. 156, no. 7. P. 1336-1346. DOI: https://doi.org/10.1002/ijc.35278.
Ryzhov A., Bray F., Ferlay J. et al. Recent cancer incidence trends in Ukraine and short-term predictions to 2022. Cancer Epidemiology. 2020. Vol. 65. Article 101663. DOI: https://doi.org/10.1016/j.canep.2019.101663.
National Cancer Registry of Ukraine. The oncoepidemiological situation and the state of cancer care organization in Ukraine in 2022-2023. Cancer in Ukraine, 2022-2023: Bulletin of National Cancer Registry of Ukraine. Kyiv, 2023. Vol. 25. P. 7-29.
Nayar R., Wilbur D. C., eds. The Bethesda System for Reporting Cervical Cytology: Definitions, Criteria, and Explanatory Notes. 3rd ed. Cham: Springer, 2015. DOI: https://doi.org/10.1007/978-3-319-11074-5.
Murphy K. M., Weatherhead K., Chenault C. et al. Impact of the Genius Digital Diagnostics System on workflow and accuracy compared with the ThinPrep Imaging System for review of ThinPrep Papanicolaou tests. American Journal of Clinical Pathology. 2025. Vol. 164, no. 5. P. 746-751. DOI: https://doi.org/10.1093/ajcp/aqaf099.
Thrall M. J. Automated screening of Papanicolaou tests: a review of the literature. Diagnostic Cytopathology. 2019. Vol. 47, no. 1. P. 20-27. DOI: https://doi.org/10.1002/dc.23931.
Ikenberg H., Lieder S., Ahr A. et al. Comparison of the Hologic Genius Digital Diagnostics System with the ThinPrep Imaging System - a retrospective assessment. Cancer Cytopathology. 2023. Vol. 131, no. 7. P. 424-432. DOI: https://doi.org/10.1002/cncy.22695.
Cantley R. L. et al. Validation of AI-assisted ThinPrep Pap test screening using the Genius Digital Diagnostics System. Journal of Pathology Informatics. 2024. Vol. 15. Article 100391. DOI: https://doi.org/10.1016/j.jpi.2024.100391.
Lu Z., Carneiro G., Bradley A. P. et al. Evaluation of three algorithms for the segmentation of overlapping cervical cells. IEEE Journal of Biomedical and Health Informatics. 2017. Vol. 21, no. 2. P. 441-450. DOI: https://doi.org/10.1109/JBHI.2016.2519686.
Wan T., Xu S., Sang C. et al. Accurate segmentation of overlapping cells in cervical cytology with deep convolutional neural networks. Neurocomputing. 2019. Vol. 365. P. 157-170. DOI: https://doi.org/10.1016/j.neucom.2019.06.086.
Krikid F., Rositi H., Vacavant A. State-of-the-art deep learning methods for microscopic image segmentation: applications to cells, nuclei, and tissues. Journal of Imaging. 2024. Vol. 10, no. 12. Art. 311. DOI: https://doi.org/10.3390/jimaging10120311.
Rasheed A. et al. Techniques and challenges for nuclei segmentation in cervical smear images: a review. Artificial Intelligence Review. 2025. Vol. 58. Art. 299. DOI: https://doi.org/10.1007/s10462-025-11207-9.
Ji J., Zhang W., Dong Y. et al. Automated cervical cell segmentation using deep ensemble learning. BMC Medical Imaging. 2023. Vol. 23. Art. 137. DOI: https://doi.org/10.1186/s12880-023-01096-1.
Rettenberger L., Münke F. R., Bruch R., Reischl M. Mask R-CNN outperforms U-Net in instance segmentation for overlapping cells. Current Directions in Biomedical Engineering. 2023. Vol. 9, no. 1. P. 335-338. DOI: https://doi.org/10.1515/cdbme-2023-1084.
Stringer C. et al. Cellpose: a generalist algorithm for cellular segmentation. Nature Methods. 2021. Vol. 18. P. 100-106. DOI: https://doi.org/10.1038/s41592-020-01018-x.
Zhou Y. et al. IRNet: Instance Relation Network for Overlapping Cervical Cell Segmentation. In: Medical Image Computing and Computer Assisted Intervention - MICCAI 2019. 2019. P. 640-648. DOI: https://doi.org/10.1007/978-3-030-32239-7_71.
Jiang P., Li X., Shen H. A systematic review of deep learning-based cervical cytology screening: from cell identification to whole slide image analysis. Artificial Intelligence Review. 2023. Vol. 56. P. 2687-2758. DOI: https://doi.org/10.1007/s10462-023-10588-z.
Fang M., Liao B., Lei X. et al. A systematic review on deep learning based methods for cervical cell image analysis. Neurocomputing. 2024. Vol. 610. Article 128630. DOI: https://doi.org/10.1016/j.neucom.2024.128630.
Dosovitskiy A. et al. An image is worth 16x16 words: Transformers for image recognition at scale. In: International Conference on Learning Representations (ICLR). 2021.
Campanella G. et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nature Medicine. 2019. Vol. 25. P. 1301-1309. DOI: https://doi.org/10.1038/s41591-019-0508-1.
Mosquera-Zamudio A., Cancino S., Cárdenas-Montoya G. et al. Deep-learning approaches for cervical cytology nuclei segmentation in whole slide images. Journal of Imaging. 2025. Vol. 11, no. 5. Art. 137. DOI: https://doi.org/10.3390/jimaging11050137.
Wang J. et al. Artificial intelligence enables precision diagnosis of cervical cytology grades and cervical cancer. Nature Communications. 2024. Vol. 15. Art. 4369. DOI: https://doi.org/10.1038/s41467-024-48705-3.
Volodko N., Chopyak V., Mazur Y. Barriers to implementing cervical cancer screening in Ukraine: the path forward. Proceeding of the Shevchenko Scientific Society. Medical Sciences. 2025. Vol. 77, no. 1. DOI: https://doi.org/10.25040/ntsh2025.01.01.
Murphy D. B., Davidson M. W. Fundamentals of Light Microscopy and Electronic Imaging. 2nd ed. Hoboken, NJ: Wiley-Blackwell, 2013. DOI: https://doi.org/10.1002/9781118382905.
Plissiti M. E. et al. SIPaKMeD: A new dataset for feature and image based classification of normal and pathological cervical cells in Pap smear images. In: 2018 25th IEEE International Conference on Image Processing (ICIP). 2018. P. 3144-3148. DOI: https://doi.org/10.1109/ICIP.2018.8451588.
Jantzen J., Norup J., Dounias G., Bjerregaard B. Pap-smear Benchmark Data for Pattern Classification. In: Proc. NiSIS 2005: Nature Inspired Smart Information Systems (NiSIS), EU Co-ordination Action. Albufeira, Portugal: NiSIS, 2005. P. 1-9.
Rezende M. T. et al. CRIC searchable image database as a public platform for conventional Pap smear cytology data. Scientific Data. 2021. Vol. 8, no. 1. Art. 151. DOI: https://doi.org/10.1038/s41597-021-00933-8.
Liu G. et al. Cx22: A new publicly available dataset for deep learning-based segmentation of cervical cytology images. Computers in Biology and Medicine. 2022. Vol. 150. Article 106194. DOI: https://doi.org/10.1016/j.compbiomed.2022.106194.
