Фото цитология: D1 86 d0 b8 d1 82 d0 be d0 bb d0 be d0 b3 d0 b8 d1 8f картинки, стоковые фото D1 86 d0 b8 d1 82 d0 be d0 bb d0 be d0 b3 d0 b8 d1 8f

Содержание

Кафедра гистологии, цитологии и эмбриологии

Заведующий кафедрой

Быков Владимир Лазаревич, доктор медицинских наук, профессор, академик Российской академии естественных наук

 

 

 

Контактная информация

Тел.: (812) 338 7095 (каф.)
           (812) 338 7034 (зав. каф.)

Email: [email protected]  

 

Ответственные:

за учебную работу — Леонтьева Ирина Валерьевна, к.м.н., доцент, тел.: 338-70-95

за научную работу -Исеева Елена Анатольевна, к.б.н., доцент, тел.: 338-70-95

Кафедра гистологии цитологии и эмбриологии находится на территории Университета, корпус 30, третий этаж, правое крыло.

 

Положение о Кафедре

 

История кафедры

Кафедра гистологии, цитологии и эмбрио-логии является ровесником Санкт-Петербур-гского Государственного медицинского университета им. академика И.П. Павлова, поскольку она была создана непосредстенно при основании Санкт-Петербургского Женского Медицинского института в 1897 г. У истоков организации кафедры стоял выдающийся русский ученый профессор Александр Станисла-вович Догель, который стал ее первым заведующим. Имя А.С. Догеля хорошо известно во всем мире благодаря его выдающимся исследованиям нервной системы. Профессор А.С. Догель известен также как основатель первого отечествен-ного морфологического журнала «Русский архив анатомии, гистологии и эмбриоло-гии», который выходит уже в течение 97 лет в Петрограде–Ленинграде–Санкт-Петербур-ге — под названием «Архив анатомии, гистологии и эмбриологии», в настоящее время – «Морфология»). С 2002 г. главным редактором журнала является заведующий кафедрой гистологии СПбГМУ проф. В.Л. Быков.

За почти 115-летнюю историю кафедры гистологии ее имя прославили всемирно знаменитые ученые, которые были ее заведующими. Академик Алексей Алексеевич Заварзин возглавлял кафедру с 1937 по 1945 гг. Он был учеником проф. А.С. Догеля и известен как выдающийся исследователь, основоположник эволюцион-ной гистологии, создавший оригинальную концепцию эволюции тканей, основанную на открытом им принципе параллелизма развития тканей. Академик Николай Григорьевич Хлопин – один из круп-нейших отечественных гистологов, возглав-лял кафедру гистологии 1 ЛМИ с 1945 по 1948 гг. Он получил широкую известность благодаря сформулированной им теории дивергентного развития тканей и разрабо-танной гистогенетической классификации тканей. В настоящее время в научной работе и преподавании кафедра развивает и углубляет концепции, сформулированные выдающимися учеными, возглавлявшими кафедру в разные годы.

 

Цели и задачи кафедры, направления деятельности

Главной целью кафедры является преподавание дисциплины «Гистология, цитология и эмбриология» студентам всех факультетов университета в соответствии с рабочими программами, содержание которых отражает специфику преподавания предмета на конкретных факультетах.

Цель преподавания дисциплины: формированиеустудентовнаучных представлений омикроскопической функциональной морфологии и развитии клеточных, тканевых и органных систем человека, обеспечивающих базис для изучения клинических дисциплин и способствующих формированию врачебного мышления.

В связи с указанной целью в задачи дисциплины входят:

изучение общих и специфических струк-турно-функциональных свойств клеток всех тканей организма и закономерностей их эмбрионального и постэмбрионального развития;

изучение гистофункциональных характерис-тик основных систем организма, законно-мерностей их эмбрионального развития, а также функциональных, возрастных и защитно-приспособительных изменений  органов  и их структурных элементов;

изучение основной гистологической  между-народной латинской и русской термино-логии;

формирование у студентов умения микро-скопирования гистологических препаратов с использованием светового микроскопа;

формирование у студентов умение иденти-фицировать органы, их ткани, клетки и неклеточные структуры на микроскопичес-ком уровне;

формирование у студентов умение определять лейкоцитарную формулу;

формирование у студентов представление о методах анализа результатов клинических лабораторных исследований, их интерпре-тации и постановки предварительного диагноза;

формирование у студентов навыков самостоятельной аналитической, научно-исследовательской работы;

формирование у студентов навыков  работы с научной литературой           

Кафедра участвует в создании учебников, учебных пособий и атласов по гистологии, цитологии и эмбриологии. Одним из направлений деятельности кафедры является подготовка специалистов в рамках аспирантуры и соискательства.

 

Содержание дисциплины, учебные программы

Гистология, цитология и эмбриология является фундаментальной медико-биологической дисциплиной, которая содержит базовые знания, необходимые для освоения смежных физиологических и биохимических дисциплин и лежит в основе клинических знаний. Особое внимание при изучении дисциплины уделено обсуждению структурных механизмов, обеспечивающих важнейшие процессы жизнедеятельности, и возможным клиническим последствиям их нарушения. Существенное значение придаётся рассмотрению вопросов регенерации и адаптации на клеточном, тканевом и органном уровне.

Изучение гистологии, цитологии и эмбриологии базируется на усвоении мате-риала ряда предшествующих дисциплин — медицинской биологии, анатомии человека, нормальной физиологии, физики, общей, органической химии, латинского языка (терминология). Вместе с тем, изучение предмета составляет основу, на которой в дальнейшем создаётся возможность понима-ния сути происходящих патологических процессов и помогает на клинических кафедрах студентам правильно ориенти-роваться в изменениях тканей и органов при том или ином заболевании и правильно выбрать метод и способ лечения пациента. Основные дисциплины, для успешного освоения которых необходимо изучение гистологии, цитологии и эмбриологии: патологическая анатомия, патологическая физиология, микробиология и иммунология, различные клинические дисциплины.

Учебные программы по дисциплине «Гистология, цитология и эмбриология» разработаны в соответствии с действующей примерной программой по предмету и требованиями федерального государственного образовательного стандарта

Примерный план изучения дисциплины

Учебная литература по предмету

Правила ведения и оформления рабочего альбома

 

Возможности самостоятельной работы для студентов

Выделены часы в вечернее время, имеется пособие для самостоятельной работы, наборы препаратов, микроскопы. Некоторые разделы тем студенты изучают самостоятельно, используя учебные пособия, атлас. Степень освоения тем проверяется преподавателем.

Оснащение средствами обучения

Микроскопы, наборы препаратов, электронно–микроскопические фотографии, учебные таблицы, стенды с рисунками и схемами по всем разделам курса. Еженедельно сменяются тематические демонстрации гистологических препаратов.

Организация и направления деятельности

На кафедре регулярно проводятся заседания СНО, на которых заслушиваются и обсуждаются реферативные доклады по цитологии, общей и частной гистологии и эмбриологии, подготовленные студентами. Студентам, прошедшим соответствующую подготовку, предоставляется возможность участия в выполнении научных исследований в рамках тематики кафедры.

Условия применения балльно–рейтинговой системы оценки усвоения дисциплины

Балльно–рейтинговая система основана на учете оценок, полученных в течение изучения курса по разделу цитологии, диагностическим занятиям (разделы общей и частной гистологии, эмбриологии), компьютерному тестированию (тесты по цитологии, общей, частной гистологии и эмбриологии, разделам спецкурса для студентов стоматологического факультета и факультета спортивной медицины), участию в олимпиаде, а также включает экзаменационную оценку.

Экзаменационные вопросы

Имеется пособие, в котором представлены порядок проведения экзамена, экзаменационные вопросы для всех факультетов, список экзаменационных препаратов и электронно–микроскопических фотографий.

 

Последипломная подготовка

Проводится в рамках очной, заочной аспирантуры и соискательства.

 

Научная деятельность

Кафедра участвует в выполнении плановых научных исследований по межка-федральной научной теме: «Стромально-сосудистые взаимоотношения в органах экспериментальных животных и человека при повреждении, хроническом воспалении и опухолевом росте». Фрагмент вышеука-занной темы, выполняемый кафедрой: «Клеточные и тканевые механизмы адапта-ции и регенерации барьерных и регуля-торных систем организма». В ходе выпол-нения указанного фрагмента научной темы при использовании гистологических, морфо-метрических, гистохимических, иммуногис-тохимических и цитологических методов, а также электронной микроскопии на экспериментальном материале проводится изучение состояния слизистых оболочек пищеварительного тракта (полости рта, пищевода) и репродуктивной системы (влагалища, шейки матки), а также неко-торых эндокринных желез при гормональных воздействиях, иммунодепрес-сии, введении цитостатиков и регуляторных морфогенетических пептидных факторов. На основании проведенных наблюдений получены новые данные о структурно-функциональной перестройке тканей слизистых оболочек и эндокринных желез при введении иммунодепрессантов, морфо-генов и в восстановительном периоде после их отмены. Проведенные исследования имеют не только фундаментальный харак-тер, но и нацелены на задачи медицины, поскольку раскрывают пути адаптации и регенерации тканей в условиях иммуно-депрессии, введения цитостатиков и пептидных морфогенов. На кафедре прово-дятся также исследования по педагогике высшей школы.

 

Штат кафедры

Штат кафедры — 9,50 ставок профессорско-преподавательского состава, в том числе:

Зав. кафедрой, профессор — 1 ставка, 6,25 ставок доцентов (7 преподавателей), 0,25 ставки старшего преподавателя, 2,0 ставки ассистента (2 преподавателя)

Быков Владимир Лазаревич — заве-дующий кафедрой. В 1972 г. закончил I ЛМИ им. акад. И.П. Павлова по специаль-ности «Лечебное дело». С 1973 по 1981 г. и с 1989 г. по настоящее время работает на кафедре гистологии, цитологии и эмбриоло-гии — ассистентом, профессором, заведую-щим кафедрой. С 1981 г. по 1989 г. работал заведующим лабораторией морфологии микозов во Всесоюзном Центре по глубоким микозам при МЗ СССР на базе Отдела глубоких микозов с клиникой ЛенГИДУВ. Кандидатская диссертация «Возрастные изменения щитовидной железы (морфомет-рическое, гистохимическое и хронобиоло-гическое исследование), Ленинград, 1977, докторская диссертация «Патоморфогенез кандидоза при эндокринных нарушениях», Ленинград, 1988 г. Профессор по кафедре гистологии — с 1990 г. Член корреспондент РАЕН — 1996 г., академик РАЕН — с 2006 г. С 2002 г. — главный редактор ведущего отечественного журнала «Морфология – Архив анатомии, гистологии, цитологии». Является членом Президиума Правления Всероссийского научного общества анато-мов, гистологов, эмбриологов и его Санкт-Петербургского отделения (зам. Председате-ля), членом Президиума Правления Между-народной Ассоциации Морфологов (быв-шеего Всесоюзного научного общества анатомов, гистологов, эмбриологов) его Координационного Совета, членом коор-динационного учебно-методического совета Минздрава РФ по анатомии и гистологии, заместителем председателя учебно-методи-ческой комиссии Минздрава и соцразвития РФ по гистологии, цитологии и эмбриоло-гии.

Леонтьева Ирина Валерьевна — доцент кафедры, заведующая учебной частью кафедры. В 1999 году закончила IСПбГМУ им. акад. И.П. Павлова по специальности «лечебное дело». С 1999 по 2000 г. обучалась в интернатуре на кафедре пропедевтики внутренних болезней. На кафедре гистологии, цитологии и эмбриоло-гии работает с 2000 г. в должности ассистента. В 2011 г. защитила диссертацию на соискание ученой степени кандидата медицинских наук на тему: «Морфофунк-циональная характеристика слизистой оболочки полости рта при введении цитостатиков».

Ляшко Ольга Георгиевна — доцент кафедры, ответственная за работу СНО на кафедре. В 1972 году закончила I ЛМИ им. акад. И.П. Павлова по специальности «лечебное дело». В 1972- 1974 гг. училась в аспирантуре на кафедре гистологии, цитоло-гии и эмбриологии. В 1975 г. защитила диссертацию на соискание ученой степени кандидата медицинских наук на тему: «Биологические ритмы состояния эпителия ворсинок тонкой кишки у мышей C57bl. ». C1975 г. по 1990 г. работала в должности ассистента, с 1990 года по настоящее время — доцента кафедры. В 1995 г. присвоено ученое звание доцента по кафедре гистологии, цитологии и эмбриологии.

Степанова Елена Олеговна — доцент кафедры, ответственная за программиро-ванное обучение и контроль знаний. В 1979 г. закончила I ЛМИ им. акад. И.П. Павлова по специальности «лечебное дело». С 1979 г. работала стажером-исследователем на кафедре гистологии, цитологии и эмбрио-логии I ЛМИ. С 1980 г. —старший лаборант кафедры, с 1982 г. — ассистент, с 1992 г. по настоящее время — доцент кафедры. В 1987 г. защитила кандидатскую диссертацию на соискание ученой степени кандидата медицинских наук на тему «Влияние пищевого и светового синхронизаторов на биологические ритмы активности нейросек-реторных клеток паравентрикулярного ядра гипоталамуса у мышей С57 Bl.»

Рехачева Ирина Петровна — доцент кафедры. В 1965 году закончила I ЛМИ им. акад. И.П. Павлова по специальности «сто-матология». С 1973 г. работает на кафедре гистологии, цитологии и эмбриологии в должности старшего лаборанта, ассистента и доцента. В1980 году защитила диссер-тацию на соискание ученой степени кан-дидата медицинских наук по теме: «Возрас-тная динамика ферментативной активности мышечных волокон в мышцах с различной функцией. В 1987 г. ей было присвоено ученое звание доцента по кафедре гистологии. В течение последних 20 лет до 2011 г. заведовала учебной частью кафедры.

Павлова Оксана Мирославна — доцент кафедры, ответственная за проведение Олимпиад по гистологии. В 1986 году закончила Ленинградский государственный университет имени А.А. Жданова по специальности «биология», специализация — «цитология и гистология». В 1985 г. работала старшим лаборантом в Ботаничес-ком институте им. В.Л. Комарова, с 1986- 1992 гг. — в Институте акушерства и гинекологии им. Д.О. Отта. С 1992 г. работает в СПбГМУ им. акад. И.П. Павлова в должности старшего лаборанта, затем ассистента и в настоящее время — доцента кафедры гистологии, цитологии и эмбриоло-гии. В 1999–2003 гг. обучалась в заочной аспирантуре РГПУ им. А.И. Герцена. В 2004 г. защитила диссертацию на соискание ученой степени кандидата педагогических наук по теме «Методика преемственного развития цитологических понятий в системе «школа- вуз». В 2008 г. присвоено звание доцента по кафедре цитологии, гистологии и эмбриологии.

Исеева Елена Анатольевна — доцент кафедры, ответственная за научную работу на кафедре. Закончила биолого-почвенный факультет Ленинградского Государствен-ного Университета по специальности «биология» в 1987 г. С 1987 г. работает в СПбГМУ им. акад. И.П. Павлова младшим научным сотрудником морфологического отдела ЦНИЛ. На кафедре гистологии, цитологии и эмбриологии работает с 1994 г. ассистентом, с 2011 г. доцентом. В 2007 г. защитила диссертацию на соискание ученой степени кандидата биологических наук на тему: «Морфофункциональная характери-стика слизистой оболочки пищевода при введении цитостатиков».

Александрова Регина Александровна — старший преподаватель кафедры, ответ-ственная за коллекцию демонстрационных препаратов. Закончила в 1961 году I ЛМИ им. акад. И.П. Павлова. По окончании инс-титута работала в Петрозаводском госу-дарственном университете старшим лабо-рантом , затем старшим преподавателем кафедры гистологии. В 1972–1975 гг. обуча-лась в очной аспирантуре, в 1982 г. защи-тила  диссертацию на соискание ученой степени кандидата медицинских наук на тему: «Анализ изменений пролиферативных процессов в эпидермальных эпителиях после воздействия адреналина». С 1984 г. работает в СПбГМУ им. акад. И.П. Павлова; сначала в должности м.н.с. ЦНИЛа, с 1987 г. — ассистента, а с 1993 г. по настоящее время — старшего преподавателя кафедры цитологии, гистологии и эмбриологии.

Кулаева Виолетта Валерьевна — доцент кафедры. Закончила тюменскую государственную медицинскую академию в 1989 году по специальности «фармация». До 2002 г. работала старшим лаборантом цнил Хабаровского медицинского универ-ситета. На кафедре гистологии СПбГМУ работает  в должности ассистента с 2002 г. В 2007 г. защитила диссертацию на соискание ученой степени кандидата биологических наук на тему: «Морфофункциональная характеристика эпителиев при воздействии пептидного морфогена гидры»

Савищенко Елена Анатольевна — ассистент кафедры. Закончила Санкт-Петербургский Технологический институт в 1996 г. по специальности «молекулярные биотехнологии». С 1996 по 2010 г. работала на кафедре медицинской биологии и генетики, до 2008 — ст. лаборантом, с 2008 г. — специалистом по учебно-методической работе. В 2010 г. защитила диссертацию на тему «Гидрокортизоновые производные в качестве векторов доставки генетических конструкций в животные клетки», на соискание ученой степени кандида-та.биологических наук. С 2010 по 2011 гг. работала преподавателем биологии в Инсти-туте сестринского образования при СПбГМУ, с 2011 г. работает на кафедре гистологии СПбГМУ в должности ассистента.

Цитологическая лаборатория

Заведующий цитологической лабораторией

Ерохина Оксана
Алексеевна

Старший
фельдшер-лаборант

Ермак Наталья
Стефановна

 

 Время работы: с 8:00 до 20:00 (Пн. Вт. Ср. Чт. Пт.)

 Время работы заведующего: с 8:30 до 16:00 (Пн. Вт. Ср. Чт. Пт.)

 Телефон заведующего:  +375 (17) 389-95-65

 


Цитологическая лаборатория была создана с начала существования нашего центра и функционировала в составе патологоанатомического отделения. С 01 января 2017 года была выделена в самостоятельное подразделение.

В цитологической лаборатории выполняются цитологические исследования материала практически из всех органов и тканей организма человека, включая центральную нервную систему, мягкие ткани и кости; более редкий материал – урологический и из щитовидной железы. Методы получения материала – мазки, скарификаты, соскобы, тонкоигольные пунктаты, аспирационный и эндоскопический материал, мазки-отпечатки из биопсий, резецированных и  удаленных опухолей, органов и тканей.

Значительная часть цитологических исследований поступает из поликлинического отделения, что обусловлено необходимостью обследования пациентов в амбулаторных условиях, несложностью приготовления цитологических препаратов и возможностью получить морфологическое подтверждение диагноза в течение рабочего дня. Сотрудники цитологической лаборатории осуществляют консультацию цитологических препаратов, поступающих из онкологических диспансеров и других медицинских учреждений Республики Беларусь и зарубежья. Цитологический метод ежедневно применяется интраоперационно.

Сотрудники цитологической лаборатории работают на высококачественных микроскопах от лидеров мировых производителей оптики Zeiss (Германия) и Olympus (Япония). Лаборатория оснащена оборудованием для жидкостной цитологии (производства компании NovaCyt, Франция), для окрашивания микропрепаратов (производства компании Leica, Германия).

В цитологической лаборатории разработаны методики обработки биологических жидкостей, применяются различные виды центрифугирования (на центрифуге, на цитоспине, с обогащением материала, с применением различных фильтров и кассет), что обеспечивает максимальную диагностическую точность при исследовании жидкостей организма. Налажена методика приготовления парафиновых клеточных блоков из жидкостей с последующим выполнением иммуноцитохимических исследований с целью уточнения гистологической и органной принадлежности опухолей, что важно для выбора тактики лечения, а также возможности использования таргетной терапии и прогнозирования ответа опухоли на специальное лечение. Возможно выполнение иммунофенотипирования на материале тонкоигольных биопсий, из которых в лаборатории готовятся клеточные блоки.

Образовательная деятельность

В цитологической лаборатории накоплен большой опыт образовательной деятельности. На ее базе с 1997 г. проводятся циклы тематического усовершенствования врачей и лаборантов цитологических лабораторий, а также стажировка врачей на рабочем месте по клинической цитологии. Созданы коллекции цитологических препаратов с патологией женской половой сферы (шейка и тело матки), молочной железы, желудочно-кишечного тракта (желудок, кишечник, поджелудочная железа), кожи, слюнных желез, центральной и периферической нервной системы, лимфопролиферативных заболеваний, препараты из биологических жидкостей (цитологические и иммуноцитохимические исследования). Более подробно об образовательных программах изложено в разделе «Образовательный центр».

Платные медицинские услуги

Для всех желающих на платной основе (через кабинет платных услуг центра) проводится консультация готовых цитологических микропрепаратов, а также выполняются забор материала на цитологическое исследование врачами клинического сектора центра.

Для проведения консультаций готовых микропрепаратов необходимо при себе иметь:

  • выписку из истории болезни пациента и/или копию морфологического заключения на консультируемые препараты (стекла) и другие цитологические и гистологические исследования;
  • готовые цитологические микропрепараты (стекла).

 

Научная деятельность

Научно-исследовательские работы, которые выполняли сотрудники цитологической лаборатории:

  •  «Цитологическая характеристика и дифференциальная диагностика мелкоклеточных злокачественных опухолей» (Социальный заказ Министерства здравоохранения Республики Беларусь, руководитель проф. Л.Б. Клюкина, № гос. регистрации 19972406, сроки исполнения: 1996-1998 гг.)
  • «Разработать цитологические критерии диагностики гиперпластических процессов и рака эндометрия; создать тематическую коллекцию цитологических препаратов» (Социальный заказ Министерства здравоохранения Республики Беларусь, руководитель проф. Л.Б. Клюкина, № гос. регистрации 19993390; сроки исполнения: 1999-2001 гг.)
  • «Определить клеточные и структурные особенности рака эндометрия (РЭ) различной степени дифференцировки; создать тематическую коллекцию цитологических препаратов различных форм РЭ» (Раздел «Фундаментальные и поисковые исследования» Министерства здравоохранения Республики Беларусь, руководитель проф. Л.Б. Клюкина, № гос. регистрации 20021391; сроки исполнения: 2002-2004 гг.).
  • «Разработать и внедрить научно обоснованный метод дифференциальной и уточняющей цитологической диагностики злокачественных опухолей в плевральных жидкостях с использованием панели иммуноцитохимических маркеров» (Программа «Новые технологии диагностики и лечения», подпрограмма “Онкология”, руководитель проф. Л.Б. Клюкина, № 02.08, сроки исполнения: 2011-2015 гг.)
  • «Разработка метода дооперационной цитологической диагностики рака поджелудочной железы на базе экспертной системы» (Государственная программа научных исследований «Медицина и фармация», руководитель д.б.н. Кириллов В.А., задание 1.2.51, сроки исполнения: 2011-2015 гг.)
  • «Разработка метода дифференциальной диагностики злокачественных и доброкачественных форм поражения поджелудочной железы» » (Государственная программа научных исследований «Фундаментальные и прикладные науки – медицине», руководитель д.б.н. Кириллов В.А., задание 2.02, сроки исполнения: 2016-2020 гг.)

Сотрудники

Ерохина Оксана Алексеевна

Заведующий цитологической лабораторией Врач высшей квалификационной категории, кандидат медицинских  наук

Цитология в СПБ | Клиника Альтермед в Санкт-Петербурге

Существуют разные методы исследования материала для диагностики. Так гистологическое исследование предполагает взятие на анализ кусочка ткани. Но не всегда удается взять на исследование ткань, да и не всегда это нужно (например, в гинекологии берут мазок-отпечаток с поверхности шейки матки). В таких случаях врачей выручает цитологическое исследование, которое подразумевает микроскопический анализ клеток. Злокачественные клетки очень быстро распространяются по органам или организму, поэтому их признаки можно обнаружить не обязательно локально в самом подозрительном месте. После забора материала, проводится подготовка клеток для окраски и их окрашивание различными красителями. Окрашивание позволяет увидеть под микроскопом клетки, их элементы и изменения. По результатам исследования врач-морфолог выдает заключение, на основании этого и выставляется клинический диагноз.

Цены на услуги

Прием дерматолога при удалении новообразований (оценка жалоб, сбор анамнеза, дерматоскопия по показаниям)

Записаться на прием

Лазерное удаление поверхностных невусов / родинок (до 0,5 см. НЕ НА ЗОНЕ ЛИЦА), за единицу

Записаться на прием

Лазерное удаление поверхностных невусов / родинок (до 0,5 см., ЗОНА ЛИЦА), за единицу

Записаться на прием

Биопсия — процесс взятия клеток или ткани из организма для дальнейшего микроскопического исследования на наличия онкологических заболеваний и для установления результатов лечения.

Цитология в дерматологии

Цитологическое исследование родинки возможно лишь при её изъязвлении, то есть тогда, когда уже на лицо некоторые признаки злокачественного перерождения невуса. Меланомоопасность родинки определяют визуально с помощью дерматоскопа.

Какова цель цитологического исследования?

Цитологическое исследование выполняется с целью раннего выявления или исключения наличия предопухолевых заболеваний. Стоит отметить, что цитологическое исследование обладает меньшей точностью, чем гистологическое.

Цитологическое исследование мазка (соскоба) с купола влагалища (при отсутствии шейки матки)

Цитологическое исследование, которое позволяет выявить атипичные клетки в слизистой влагалища и диагностировать рецидив рака шейки матки.

Синонимы русские

Цитология мазка с культи влагалища.

Синонимы английские

Vaginal cuff cytology.

Метод исследования

Цитологический метод.

Какой биоматериал можно использовать для исследования?

Мазок с купола влагалища.

Как правильно подготовиться к исследованию?

  • Специальной подготовки не требуется.

Общая информация об исследовании

Рак шейки матки (РШМ) по распространенности занимает 3-е место среди всех злокачественных опухолей у женщин (после рака молочной железы и рака толстой кишки). Частота инвазивного рака шейки матки в мире составляет 15-25 на 100 000 женщин. Новообразования шейки матки возникают в основном в среднем возрасте (35-55 лет), редко диагностируются у женщин моложе 20 лет и в 20  % случаев выявляются после 65 лет.

5-летняя выживаемость при локализованном (местном, in situ) раке шейки матки равна 88  %, в то время как выживаемость при распространенном раке не превышает 13  %.

К факторам риска развития рака шейки матки относятся инфицирование вирусом папилломы человека (онкогенные серотипы HPV-16, HPV-18, HPV-31, HPV-33, HPV-45 и др.), курение, хламидийная или герпетическая инфекция, хронические воспалительные гинекологические заболевания, длительное применение противозачаточных препаратов, неоднократные роды, случаи рака шейки матки в семье, раннее начало половой жизни, частая смена половых партнеров, недостаточное поступление с пищей витаминов А и С, иммунодефициты и ВИЧ-инфекция.

Метод лечения зависит от распространенности процесса, вида опухоли, расположения новообразования на шейке матки, возраста женщины. При ранних стадиях рака (in situ) используют криохирургию, лазерную хирургию, клиновидное удаление части шейки матки. При распространении злокачественного процесса за пределы эпителия шейки матки выполняют более обширные операции – гистерэктомию (удаление матки), в некоторых случаях в сочетании с химио- и лучевой терапией.

После хирургического удаления шейки матки существует вероятность сохранения опухолевых клеток, способных к дальнейшему росту. В связи с этим все женщины, перенесшие операцию (гистерэктомию или экстирпацию матки) по удалению новообразований шейки матки, должны проходить регулярный цитологический контроль для своевременной диагностики и лечения онкологического заболевания (или его рецидива).

Для чего используется исследование?

  • Для цитологического контроля эффективности лечения рака матки / шейки матки.
  • Для диагностики рецидива новообразований органов малого таза.

Когда назначается исследование?

  • При наблюдении за женщинами после удаления шейки матки из-за новообразований ежегодно, 3 года подряд, затем при трехкратных отрицательных результатах каждые 2 года.

Что означают результаты?

I Количество материала

  • Материал полноценный (адекватный) – полноценным материалом считается мазок хорошего качества, содержащий достаточное количество соответствующих типов клеток.
  • Материал недостаточно полноценный (недостаточно адекватный) – скудный клеточный состав.
  • Материал неполноценный (неадекватный) – по материалу невозможно судить о наличии или отсутствии патологических изменений.

II Интерпретация результатов по наличию или отсутствию атипичных клеток.

Большое количество лейкоцитов – признак воспаления.

При подозрении на злокачественное образование необходимо тщательное дообследование.

Цитологический контроль границ резекции полушарных глиом и метастазов

МРТ — магнитно-резонансная томография

DTI — Diffusion tensor imaging, диффузионно-тензорная визуализация

МР-трактография — магнитно-резонансная трактография

Полная резекция (Gross-total resection) (100% радикальность) при удалении внутримозговых опухолей признана сегодня благоприятным прогностическим фактором в отношении выживаемости пациентов как с диффузными глиомами Grade II [1], так и с Grade III—IV. В то же время известно, что опухолевые клетки при диффузных глиомах распространены за пределы границ микрохирургической видимости и зон накопления контраста и/или патологического Т2 сигнала по данным магнитно-резонансной томографии (МРТ) [2—6]. В поиске путей увеличения выживаемости при глиомах Grade II обсуждается целесообразность повышения степени радикальности их удаления до «супратотального» [7, 8]. Обсуждаются также возможности расширения резекции глиом Grade III—IV [9—11]. Аналогичные вопросы возникают при удалении метастазов в головном мозге, поскольку, несмотря на кажущийся узловой рост этих образований, остается неясной глубина инвазии при различных патоморфологических вариантах [12]. В настоящее время является стандартом удаление метастазов с перифокальной зоной в пределах 5 мм от опухоли [13], но даже при таком подходе есть рецидивы [14]. Требуются дальнейшие исследования эффективности расширенной, так называемой супрамаргинальной резекции метастазов [12].

Существующие методы определения границ удаления опухоли, такие как метаболическая навигация [15, 16] и интраоперационная МРТ [17, 18], позволяют увеличить радикальность хирургии, но ни один из существующих методов интраоперационной диагностики не дает гарантии тотального удаления опухоли, и тем более — абсолютной циторедукции. Кроме того, при удалении опухоли в ее анатомических границах наталкиваемся на ограничения в случаях ее локализации в функционально значимой зоне, так как функциональный статус пациента — не только достоверный предиктор выживаемости, но и ключевой фактор, определяющий качество жизни. Эта проблема в современной нейрохирургии глиом обозначается термином «онкофункциональный баланс», и на настоящем этапе он достигается путем сопоставления по ходу операции анатомических и «функциональных» границ.

Несмотря на все достоинства современных технологий индикации опухоли, ряд авторов прибегает к дополнительному исследованию ее границ на предмет оставшейся опухолевой ткани [19]. В нашем исследовании мы применили метод мультифокального цитологического исследования полноты резекции или ее радикальности. Диагностическая ценность этого метода оценки распространенности опухоли центральной нервной системы продемонстрирована в ряде работ по цитологической [20, 21] и генетической [22, 23] верификации опухолевой ткани как при глиальных опухолях [20—22], так и при церебральных метастазах [20, 22, 23].

Цитологическое интраоперационное исследование имеет чувствительность и специфичность, статистически значимо не отличающиеся от таковых при гистологическом исследовании с использованием криостата [24].

Цель исследования — изучить возможность цитологического исследования границ удаления глиальных и метастатических опухолей для объективной оценки радикальности операции.

Материал и методы

В исследование включено 35 пациентов (20 мужчин и 15 женщин) с супратенториальными внутримозговыми опухолями, которым проведено открытое хирургическое вмешательство в университетской клинике ФГБОУ ВО «Приволжский исследовательский медицинский университет». С метастазами в головной мозг было 15 пациентов (5 с меланомой и 10 с карциномами), с диффузными глиомами, накапливающими контраст — 13 пациентов (12 с глиобластомой и 1 с глиомой Grade III), с диффузными глиомами, не накапливающими контраст — 7 (5 с глиомами Grade II и 2 с глиомами Grade III). Критерии исключения: возраст менее 18 лет, тяжелая соматическая патология, подозрение на лимфопролиферативный характер внутримозгового процесса. Все участники подписали информированное согласие на участие в исследовании, протокол одобрен на заседании локального этического комитета ФГБОУ ВО «Приволжский исследовательский медицинский университет» (№ 1 от 22.01.18).

При неконтрастируемых диффузных глиомах операция во всех случаях была первичной, без адьювантного лечения в анамнезе. Операция была повторной, с лучевой терапией в межрецидивном периоде у 4 из 13 пациентов с контрастируемыми глиомами Grade III—IV и у 4 из 15 пациентов с метастазами. Эти больные представляли особый интерес в отношении влияния лучевой терапии на наличие опухолевых клеток в перифокальной зоне.

Всем пациентам перед операцией проведена МРТ с контрастным усилением (Магневист 0,2 мл на 1 кг массы тела) и диффузионно-тензорная визуализация-трактография (DTI-трактография) проводящих путей белого вещества головного мозга на томографе Siemens Essenza 1,5 Т (Siemens, Германия). Компиляция данных производилась в программе NordicBrainEx. На основании DTI-трактографии кортико-спинальный тракт оказался заинтересованным в 24 (68,6%) из 35 случаев, аркуатный тракт — в 11 (52,4%) из 21 случая при доминантной локализации опухоли. Нейрофизиологический мониторинг производили на 32-канальном аппарате INOMED ISIS IOM (Innomed Medizintechnik GmbH, Германия) посредством корковой биполярной и субкортикальной монополярной электростимуляции: моторное картирование выполнялось в 17 случаях, картирование речевой коры — в 5 из 35 случаев.

Модели моторных и ассоциативных (аркуатного, косого лобного) трактов загружались в нейронавигационную станцию Medtronic StealthStation S7 (Medtronic, Ирландия). Оперативное вмешательство проводилось с применением стандартных методов доступа и удаления глиальных и метастатических опухолей головного мозга с использованием микрохирургической техники.

Операционный материал подвергали патогистологическому и иммуногистохимическому исследованию, на основании чего устанавливали окончательный диагноз. При удалении опухоли, наряду с забором фрагментов опухоли для патогистологического исследования, проводили мультифокальный (от 2 до 5 точек) забор образцов для цитологического исследования (объем примерно 0,003 см3) в ближайших к опухоли точках перифокальной зоны и в максимально отдаленных точках на границе расширенной резекции. Время выполнения цитологического исследования составляло около 15 мин.

Определение границ так называемой «супратотальной» резекции опухоли достаточно субъективно. В нашем исследовании к расширенной резекции относили зону аспирации на расстоянии не менее 5 мм от видимого края опухоли, в которой и брали материал для исследования. Другая точка забора была непосредственно у края опухоли, идентифицированного визуально через микроскоп в комплексе с данными нейронавигации. Материал маркировали, подвергали центрифугированию, после чего помещали на предметное стекло, фиксировали и окрашивали экспресс-красителем MGG (Bio-Opticа, Италия). Окрашенные цитологические препараты исследовали в световом микроскопе Nikon ECLIPSE NI-U (Nikon, Япония) при увеличениях 100, 200 и при масляной иммерсии 1000. При малом увеличении 100 и 200 оценивали «клеточность» мазка, отмечали наличие клеток опухоли, анализ фона. При увеличении 1000 оценивали детали строения ядра, ядерной мембраны и цитоплазмы. Всего исследовано 154 образца, полученные данные заносили в индивидуальную регистрационную карту пациента.

Контрольная МРТ с контрастным усилением в раннем послеоперационном периоде проведена 29 пациентам, результаты стандартных расчетов радикальности резекции представлены в таблице.

Клинико-инструментальная характеристика пациентов Примечание. В круглых скобках — межквартильный размах диапазона значений; min—max — размах вариации значений; n — количество пациентов.

Статистический анализ проводили с применением программы Statistica 6,1. Диагностическое значение цитологического исследования оценивали по сравнению с послеоперационной МРТ с применением метода логистической регрессии. Сравнительный анализ в группах проводили с применением критерия Пирсона (c2). Различия считали статистически значимыми при достижении уровня значимости р<0,05.

Результаты

Приводим данные о распределении опухолевых клеток в перифокальной зоне по выделенным группам.

Церебральные метастазы

При удалении метастазов исследовано 64 образца: от 2 до 5 у одного больного. Находки в образцах распределились следующим образом (рис. 1):

Рис. 1. Схематичное представление частоты обнаружения опухолевых клеток в различных зонах при церебральных метастазах. Красным цветом обозначено количество образцов, в которых обнаружены опухолевые клетки, зеленым — клетки, в которых опухоль не обнаружена. в ближайшей перифокальной зоне опухолевые клетки обнаружены в 8 (28,6%) из 28 проб. На границе расширенной резекции опухоль обнаружена в 3 (10,3%) из 29 образцов. Разница в частоте этих находок статистически незначима (χ2=3, p=0,102). В контрольных образцах (из центральной части опухоли) опухолевые клетки верифицированы — 6 (85,6%) из 7 случаев (χ2=20,8, p=0,001).

Наибольший удельный вес составили находки опухолевых клеток непосредственно в перифокальной зоне, обнаруженные у пациентов как с карциномами (5 из 10), так и с меланомой (2 из 5). Реже опухолевые клетки выявлялись на границе расширенной резекции — всего в 3 образцах у 2 больных, при МРТ-радикальности 92 и 100%.

Клинический пример 1

Пациентка Н., 70 лет, метастаз меланомы в правой теменной доле (рис. 2, а—в).

Рис. 2. Клинический пример пациентки Н. с метастазом меланомы в правую теменную долю. а, б, в — точки забора материала по данным DTI навигации; г, д — фото цитологических образцов с увеличением ×100, экспресс-краситель MGG; е, ж, з — послеоперационная МРТ, красным выделена зона накопления контрастного препарата. Во время операции взято 5 образцов для цитологического исследования и во всех обнаружены опухолевые клетки, в том числе в обоих образцах на границе расширенной резекции, где опухолевые клетки располагались внутри сосудов (рис. 2, г, д). Радикальность операции по МРТ составила 0,92, имелся плащевидный участок накопления контраста по латеральной стенке ложа опухоли (рис. 2, е—з), несмотря на микрохирургически тотальное удаление опухоли. Следует отметить, что точки забора образцов находились на передней и медиальной стенках, что не соответствовало зоне накопления контраста (см. рис. 2, а—в).

Данное наблюдение демонстрирует одну из потенциальных причин рецидивов образований, когда опухоль распространяется в вещество мозга по сосудам.

Контрастируемые глиомы Grade III—IV

При операциях по поводу глиом Grade III—IV, накапливающих контраст, взято 60 образцов. В ближайшей перифокальной зоне опухолевые клетки выявлены в 22 (68,8%) из 32 образцов, на границе расширенной резекции — в 14 (70%) из 20 (χ2=0,009, p=1). В контрольных образцах опухоль верифицирована в 7 (87,5%) из 8 случаев (рис. 3).

Рис. 3. Схематичное представление частоты обнаружения опухолевых клеток из опухоли и перитуморальной зоны при контрастируемых глиомах Grade III—IV. Красным цветом обозначено количество образцов, в которых обнаружены опухолевые клетки, зеленым — клетки, в которых опухоль не обнаружена.

В ближайшей перифокальной зоне опухолевые клетки обнаружены у 12 из 13 пациентов, на окончательной границе резекции — у 11 из 13. Радикальность удаления, по данным МРТ, в обоих случаях с цитологически «чистыми» границами — более 99%. У 11 пациентов опухолевые клетки обнаруживались как в ближайшей перифокальной зоне, так и на границе расширенной резекции. Это означает, что фактически расширенное удаление опухоли не превышало «цитологическую» радикальность операции.

Неконтрастируемые диффузные глиомы Grade II—III

Во время проведения 7 операций при неконтрастируемых глиомах Grade II—III произведен забор 33 образцов — от 4 до 5 у каждого пациента.

В перифокальной зоне опухолевые клетки обнаружены в 10 (58,9%) из 17 образцов, в супрамаргинальной — в 4 (36,4%) из 11, что не имеет статистически значимой разницы (χ2=0,009, p=1). В контрольных образцах опухоль верифицирована в 3 (60%) из 5 случаев (рис. 4).

Рис. 4. Схематичное представление частоты обнаружения опухолевых клеток из опухоли и перитуморальной зоны при неконтрастируемых глиомах Grade II—III. Красным цветом обозначено количество образцов, в которых обнаружены опухолевые клетки, зеленым — клетки, в которых опухоль не обнаружена.

Примером функционально обоснованного ограничения резекции служит следующее наблюдение.

Клинический пример 2

Пациент Х., 51 год, олигоастроцитома (Grade II, NOS) с преимущественной локализацией в области средней лобной извилины слева (рис. 5).

Рис. 5. Клинический пример пациента Х. с диффузной глиомой Grade II левой лобной доли. а, б, в, г — точки забора материала по данным DTI навигации; д, е — фото цитологических образцов с увеличением ×100, экспресс-краситель MGG; ж, з — послеоперационная МРТ, красным выделена зона патологического Т2-сигнала. Опухолевые клетки, по данным цитологического исследования, обнаружены в одном образце на границе окончательной резекции (рис. 5, а—г), соответствующей зоне патологического Т2-сигнала на послеоперационной МРТ, по заднемедиальной границе резекции (рис. 5, з). При субкортикальной стимуляции задней стенки ложа опухоли получены речевые нарушения, в связи с чем расширенная резекция в этой зоне не производилась. Радикальность по МРТ составила 87,3%.

В целом вероятность обнаружения опухолевых клеток хотя бы в одном из образцов на границе окончательной резекции («цитологическая» радикальность) была тем меньше, чем больше радикальность операции по данным МРТ (B0=19,2; B1= –20,8; c2=13,6; n=29, p=0,001; P(+)=50% при радикальности 92,6%) (рис. 6).

Рис. 6. Регрессионная логистическая модель вероятности обнаружения опухолевых клеток на окончательной границе резекции в зависимости от радикальности операции по МРТ. Обнаружение опухолевых клеток на окончательной границе опухолевых клеток — биноминальная переменная, где 1 — опухолевые клетки обнаружены хотя бы в одном образце, 0 — опухолевые клетки не обнаружены ни в одном из образцов.

Аналогичные модели построены для каждой из выделенных групп: для группы церебральных метастазов (B0=3951; B1= –4318; c2=7; n=12; p=0,008), для группы глиом без накопления контраста (B0=263,8; B1= –330,5; c2=8,3; n=6, р=0,004) и глиом с накоплением контраста (B0=61; B1= –61; c2=3,6; n=11, р=0,056).

В группах церебральных метастазов и глиом с накоплением контраста вероятность обнаружения опухолевых клеток ассоциирована с большим объемом контрастируемой части опухоли, по данным предоперационной МРТ (B0= –1,1; B1= –0,04; c2=6,35; n=28, p=0,012) (рис. 7).

Рис. 7. Регрессионная логистическая модель вероятности обнаружения опухолевых клеток на окончательной границе резекции в зависимости от объема контрастируемой части опухоли по МРТ. Обнаружение опухолевых клеток на окончательной границе опухолевых клеток — биноминальная переменная, где 1 — опухолевые клетки обнаружены хотя бы в одном образце, 0 — опухолевые клетки не обнаружены ни в одном из образцов.

Повторная операция и лучевая терапия на зону оперативного вмешательства в анамнезе не связаны с «цитологической» радикальностью (c2=0,5, p=0,704).

Обсуждение

Первые полученные данные показали достаточную информативность цитологического исследования перитуморальной зоны как дополнительного инструмента оценки радикальности удаления глиом и метастазов, а в некоторых случаях оно продемонстрировало чувствительность, превосходящую послеоперационную МРТ.

С позиции «цитологической» радикальности расширенная резекция при глиомах Grade III—IV не имеет преимуществ, так как опухолевые клетки примерно с одинаковой частотой обнаружены как в ближайшей перифокальной зоне, так и на границе расширенной резекции (68,8 и 70% соответственно).

В то же время при супрамаргинальной резекции церебральных метастазов опухолевые клетки на границе расширенной резекции опухоли обнаруживались реже: 10,3% по сравнению с 28,6% в ближайшей перифокальной зоне, что оправдывает эту методику их удаления, хотя при имеющейся ограниченной выборке результат оказался статистически незначимым (p=0,102), и требуется дальнейшее накопление материала.

Заключение

Наиболее важным результатом применения метода мультифокального цитологического исследования границ резекции являются данные о частоте выявления опухолевых клеток на разном удалении от опухолевого узла, что дает определенные «за» и «против» в дискуссии о необходимости максимально широкой резекции новообразований. Перспективным видится интраоперационное проведение цитологического исследования для уточнения хирургической тактики «on line». Открытым остается вопрос значения полученной таким образом информации для прогнозирования рецидивирования опухоли, уточнения границ мишени для лучевого воздействия и стратегии химиотерапии.

Участие авторов

Концепция и дизайн исследования — А.Е., Л.К., И.М.

Сбор и обработка материала — А.Е., С.С., А.К., К.Я., А.М., О.С., Е.К., И.М.

Статистический анализ данных — А.Е., Е.К.

Написание текста — А.Е.

Редактирование — Л.К.

Авторы заявляют об отсутствии конфликта интересов.

The authors declare no conflicts of interest.

Сведения об авторах

Ермолаев А.Ю. — https://orcid.org/0000-0001-5326-9685

Кравец Л.Я. — https://orcid.org/0000-0002-9484-6992

Сметанина С.В. — https://orcid.org/0000-0002-7000-5910

Колпакова А.А. — https://orcid.org/0000-0001-5212-9568

Яшин К.С. — https://orcid.org/0000-0002-5723-7389

Морев А.В. — https://orcid.org/0000-0002-8037-3565

Сметатина О.В. — https://orcid.org/0000-0003-3141-0267

Клюев Е.А. — https://orcid.org/0000-0003-2069-1710

Медяник И.А. — https://orcid.org/0000-0002-7519-0959

Автор, ответственный за переписку: Ермолаев А.Ю. — e-mail: [email protected]

Комментарий

Работа представляет собой достаточно четко проведенное исследование, предлагаемая авторами методика цитологической оценки контроля границ резекции является простым, легко выполнимым и экономически выгодным методом, вполне сопоставимым по перечисленным параметрам с интраоперационным гистологическим исследованием. Даже при стремительном развитии методов интраоперационной спектроскопии методы срочной цитологической и срочной гистологической диагностики будут еще долгое время оставаться по-прежнему актуальными.

Однако авторами статьи установлено, что для контроля границ резекции требуется проведение как минимум 3—5 срочных цитологических исследований, что по опыту коллег-гистологов приведет к повышению нагрузки на специалистов цитологов и на цитологические лаборатории.

Статья посвящена проблеме оценки разумной радикальности удаления злокачественных первичных и метастатических опухолей головного мозга и будет интересна широкому кругу специалистов.

М.В. Рыжова (Москва)

Комментарий

Работа коллектива авторов посвящена исследованию цитологической радикальности удаления глиом различной степени злокачественности и метастазов и выполнена на серии, включающей 35 пациентов. Концепция «супратотальной» резекции доброкачественных глиом нашла свое описание в работе H. Duffau (2018). Авторы настоящей статьи определяли с помощью метода множественных биопсий наличие или отсутствие опухолевых клеток в перифокальной зоне и в зоне супратотальной резекции (более 5 мм от зоны контрастирования). В результате показана высокая частота выявления клеток злокачественных глиом на расстоянии более 5 мм от зоны контрастирования (до 70%). В то же время при доброкачественных глиомах этот показатель составил 36,4%, а при метастазах — 10,3%. Таким образом, авторы показывают важность супрамаргинальной резекции в хирургии церебральных метастазов и, наоборот, ограничение радикальности при резекции злокачественных глиом.

Эта работа в очередной раз демонстрирует нейрохирургам и всем специалистам в области нейронаук важные биологические особенности злокачественных глиом, такие как инфильтративный рост, высокий миграционный потенциал клеток опухоли, обусловливающий феномен дистантных рецидивов (С.А. Горяйнов и соавт., 2016). Биологические особенности злокачественных глиом таковы, что роль хирургии пока не может быть решающей в лечении пациентов с этой патологией.

Работа является актуальной, полезной для нейрохирургов и ставит новые вопросы в отношении хирургической тактики лечения глиом различной степени злокачественности и церебральных метастазов.

С.А. Горяйнов (Москва)

Фотодинамическая терапия — что это такое, цены, фото до и после, показания и противопоказания – Санкт-Петербург.

Онколог-дерматолог, врач высшей категории

Гражданский проспект, д.107, к.4

Онколог-дерматолог, врач высшей категории

Московский проспект, д. 143

Онколог-дерматолог, врач высшей категории

Московский проспект, д. 143

Коломяжский проспект, д. 20

Онколог-дерматолог, врач высшей категории

Гражданский проспект, д.107, к.4

Коломяжский проспект, д. 20

Дерматолог, специалист лазерных технологий в онкодерматологии, врач высшей категории

Коломяжский проспект, д. 20

Дерматолог, специалист лазерных технологий в онкодерматологии, врач высшей категории

Московский проспект, д. 143

Дерматолог, специалист лазерных технологий в онкодерматологии

Московский проспект, д. 143

Гражданский проспект, д.107, к.4

Коломяжский проспект, д. 20

Дерматовенеролог, трихолог, косметолог, специалист лазерных технологий

Московский проспект, д. 143

Гражданский проспект, д.107, к.4

Коломяжский проспект, д. 20

Врач дерматовенеролог, трихолог, косметолог. Высшая квалификационная категория.

Московский проспект, д. 143

Дерматолог, косметолог, специалист лазерных технологий

Московский проспект, д. 143

Дерматолог, косметолог, Специалист лазерных технологий в онкодерматологии

Коломяжский проспект, д. 20

Дерматовенеролог, специалист лазерных технологий в онкодерматологии

Московский проспект, д. 143

Коломяжский проспект, д. 20

дерматолог, косметолог, специалист лазерных технологий

Гражданский проспект, д.107, к.4

Онколог-дерматолог, кандидат медицинских наук

Московский проспект, д. 143

Гражданский проспект, д.107, к.4

Коломяжский проспект, д. 20

Цитологическая визуализация | Цифровая диагностика | Искусственный интеллект

Мощный искусственный интеллект в сочетании с усовершенствованной цифровой визуализацией, предназначенный для преобразования скрининга рака

 
Hologic представляет цифровую диагностическую систему Genius™*

Genius Digital Diagnostics — это первая платформа цифровой цитологии с маркировкой CE, сочетающая новый алгоритм искусственного интеллекта (ИИ) с передовой технологией объемной визуализации, помогающая цитотехнологам и патологоанатомам выявлять предраковые поражения и раковые клетки у женщин.

Система может быстро анализировать все клетки на цифровом изображении мазка ThinPrep® Pap, сужая десятки тысяч клеток до созданной ИИ галереи наиболее диагностически значимых изображений. Это поможет предоставить поставщикам медицинских услуг критически важную информацию, необходимую им для раннего выявления и принятия более эффективных решений о лечении пациентов, которых они обслуживают.

«Применение ИИ требует цифровых изображений исключительного качества. Наши команды разработали передовую технологию визуализации, которая преобразует физические стеклянные цитологические слайды в цифровые изображения с превосходной четкостью.Благодаря этой цифровизации теперь возможны расширенный анализ изображений и улучшенная стандартизация».

Кевин Торнал, президент подразделения диагностических решений Hologic

Единственный комплексный портфель продуктов для скрининга рака шейки матки, от сбора образцов до цифровой диагностики

Передовая технология цифровой диагностической системы Genius включает в себя:

  • Усовершенствованный цифровой имидж-сканер с технологией объемного изображения, обеспечивающей исключительную четкость изображения
  • Новый алгоритм искусственного интеллекта с глубоким обучением, предназначенный для обнаружения предраковых поражений и клеток рака шейки матки
  • Безопасный сервер управления образами для хранения образов
  • Станция просмотра с высоким разрешением для локального или удаленного просмотра

Вся система является масштабируемой и предназначена для удовлетворения текущих и будущих потребностей лабораторий.

Genius Digital Diagnostics обеспечивает плавное и динамичное сотрудничество между лабораториями в сети, соединяя патологоанатомов с удаленным просмотром, чтобы каждый пациент мог при необходимости воспользоваться коллективными знаниями географически рассредоточенных экспертов. Цифровое рассмотрение случаев обещает улучшить опыт для партнеров лаборатории за счет улучшения рабочего процесса и ускорения времени рассмотрения.

Исследуйте систему

 

 

Посмотреть пресс-релиз

* Genius Digital Diagnostics имеет маркировку CE для диагностического использования в Европе и в настоящее время не продается в США.S. Может быть доступно не на всех рынках. Свяжитесь с местным представителем Hologic, чтобы узнать о наличии в вашей стране.
 

Мощный искусственный интеллект в сочетании с усовершенствованной цифровой визуализацией, предназначенный для преобразования скрининга рака

 
Hologic представляет цифровую диагностическую систему Genius™*

Genius Digital Diagnostics — это первая платформа цифровой цитологии с маркировкой CE, сочетающая новый алгоритм искусственного интеллекта (ИИ) с передовой технологией объемной визуализации, помогающая цитотехнологам и патологоанатомам выявлять предраковые поражения и раковые клетки у женщин.

Система может быстро анализировать все клетки на цифровом изображении мазка ThinPrep® Pap, сужая десятки тысяч клеток до созданной ИИ галереи наиболее диагностически значимых изображений. Это поможет предоставить поставщикам медицинских услуг критически важную информацию, необходимую им для раннего выявления и принятия более эффективных решений о лечении пациентов, которых они обслуживают.

«Применение ИИ требует цифровых изображений исключительного качества. Наши команды разработали передовую технологию визуализации, которая преобразует физические стеклянные цитологические слайды в цифровые изображения с превосходной четкостью.Благодаря этой цифровизации теперь возможны расширенный анализ изображений и улучшенная стандартизация».

Кевин Торнал, президент подразделения диагностических решений Hologic

Единственный комплексный портфель продуктов для скрининга рака шейки матки, от сбора образцов до цифровой диагностики

Передовая технология цифровой диагностической системы Genius включает в себя:

  • Усовершенствованный цифровой имидж-сканер с технологией объемного изображения, обеспечивающей исключительную четкость изображения
  • Новый алгоритм искусственного интеллекта с глубоким обучением, предназначенный для обнаружения предраковых поражений и клеток рака шейки матки
  • Безопасный сервер управления образами для хранения образов
  • Станция просмотра с высоким разрешением для локального или удаленного просмотра

Вся система является масштабируемой и предназначена для удовлетворения текущих и будущих потребностей лабораторий.

Genius Digital Diagnostics обеспечивает плавное и динамичное сотрудничество между лабораториями в сети, соединяя патологоанатомов с удаленным просмотром, чтобы каждый пациент мог при необходимости воспользоваться коллективными знаниями географически рассредоточенных экспертов. Цифровое рассмотрение случаев обещает улучшить опыт для партнеров лаборатории за счет улучшения рабочего процесса и ускорения времени рассмотрения.

Исследуйте систему

Отзыв клиента – доктор Климас

Посмотреть пресс-релиз

* Genius Digital Diagnostics имеет маркировку CE для диагностического использования в Европе и в настоящее время не продается в США.S. Может быть доступно не на всех рынках. Свяжитесь с местным представителем Hologic, чтобы узнать о наличии в вашей стране.
 

База данных изображений Cric с возможностью поиска в качестве общедоступной платформы для данных обычного цитологического исследования мазка Папаниколау

  • Сигель, Р.Л., Миллер, К.Д. и Джемал, А. Статистика рака, 2017 г. CA: онкологический журнал для врачей 67 , 7– 30, https://doi.org/10.3322/caac.21387 (2017).

    Артикул Google ученый

  • Всемирная организация здравоохранения.Международное агентство по изучению рака. Globocan 2020 — Глобальная обсерватория рака , http://globocan.iarc.fr/Pages/fact_sheets_cancer.aspx (2021).

  • Меджиоларо, А. и др. . Роль скрининга Пап-теста на рак шейки матки: систематический обзор и метаанализ. La Clinica terapeutica 167 , 124–139, https://doi.org/10.7417/CT.2016.1942 (2016).

    КАС Статья пабмед Google ученый

  • Сачан, П.Л., Сингх М., Патель М.Л. и Сачан Р. Исследование скрининга рака шейки матки с использованием мазка Папаниколау и клинической корреляции. Азиатско-Тихоокеанский журнал онкологического ухода 5 , 337–341, https://doi.org/10.4103/apjon.apjon_15_18 (2018).

    Артикул пабмед ПабМед Центральный Google ученый

  • Чжао, X. и др. . Эффективность обнаружения ДНК вируса папилломы человека с генотипированием типа 16/18 путем гибридного захвата в первичном тесте скрининга рака шейки матки: поперечное исследование 10669 китайских женщин. Клиническая микробиология и инфекция: официальная публикация Европейского общества клинической микробиологии и инфекционных заболеваний 24 , 1322–1327, https://doi.org/10.1016/j.cmi.2018.02.027 (2018).

    КАС Статья Google ученый

  • Саслоу Д. и др. . Американское онкологическое общество, Американское общество кольпоскопии и патологии шейки матки и Американское общество клинических патологий, руководящие принципы скрининга для профилактики и раннего выявления рака шейки матки. CA: онкологический журнал для клиницистов 62 , 147–172, https://doi.org/10.3322/caac.21139 (2012).

    Артикул Google ученый

  • Целевая группа профилактических услуг США. и др. . Скрининг рака шейки матки: Рекомендательное заявление рабочей группы профилактических служб США. JAMA 320 , 674–686, https://doi.org/10.1001/jama.2018.10897 (2018).

    Артикул Google ученый

  • Ферлей, Дж. и др. . Модели заболеваемости и смертности от рака в Европе: оценки для 40 стран и 25 основных видов рака в 2018 г. European Journal of Cancer 103 , 356–387, https://doi.org/10.1016/j.ejca.2018.07.005 (2018).

    КАС Статья пабмед Google ученый

  • до Насименто Таварес, С. Б. и др. . Внутренний контроль качества цитопатологии шейки матки: сравнение потенциальных ложноотрицательных результатов, обнаруженных при быстром предварительном скрининге и при 100% быстром просмотре. Acta Cytologica 58 , 439–445, https://doi.org/10.1159/000368041 (2014).

    Артикул Google ученый

  • Рамальо, Г.Л.Б. и др. . Реконструкция клеток по Вороному и окружающие эллипсы из 3D-микроскопии. Международный симпозиум IEEE по биомедицинской визуализации (ISBI) (2015 г.).

  • Резенде, М. Т., Бьянки, А. Г. и Карнейро, К. М. Рак шейки матки: автоматизация скрининга теста Папаниколау. Диагностическая цитопатология https://doi.org/10.1002/dc.24708 (2021).

  • Пикок Д. и Тейлор С. Дж. Анализатор изображений magiscan в качестве диагностического средства в цитологии. Аналитическая и количественная цитология 3 , 49–54 (1981).

    КАС пабмед Google ученый

  • Тейлор, Р. Н. и др. . Cytoview: прототип теста на определение мазка Папаниколау на основе компьютерного изображения. Acta Cytologica 43 , 1045–1051, https://doi.org/10.1159/000331352 (1999).

    КАС Статья пабмед Google ученый

  • Маховлич В. и др. . Цифровая морфометрия цитологического аспирата эндометрия. Collegium antropologicum 34 , 45–51 (2010).

    ПабМед Google ученый

  • Лепе, М., Эклунд, К.М., Куддус, М.Р. и Пакетт, К. Атипичные железистые клетки: межнаблюдательная изменчивость в соответствии с клиническим ведением. Acta Cytologica 62 , 397–404, https://doi.org/10.1159/000489968 (2018).

    Артикул пабмед Google ученый

  • Wilkinson, MD et al . Справедливые руководящие принципы управления и рационального использования научных данных. Научные данные 3 , 1–9 (2016).

    Артикул Google ученый

  • Янцен Дж., Норуп Дж., Дуниас Г. и Бьеррегаард Б. Эталонные данные мазка Папаниколау для классификации паттернов. В NiSIS (ред.) NiSIS 2005: Интеллектуальные информационные системы, вдохновленные природой (NiSIS) , Координационное действие ЕС , 1–9 (2005).

  • Чанконг, Т., Тира-Умпон, Н. и Ауэфанвириякул, С. Автоматическая сегментация клеток шейки матки и классификация в мазках Папаниколау. Компьютерные методы и программы в биомедицине 113 , 539–556, https://doi.org/10.1016/j.cmpb.2013.12.012 (2014).

    Артикул пабмед Google ученый

  • Сингх, У. и др. . Сравнительное исследование жидкостной цитологии и обычного мазка Папаниколау для последующего цитологического наблюдения за пролеченными пациентами с раком шейки матки. Индийский журнал медицинских исследований 147 , 263–267, https://doi.org/10.4103/ijmr.IJMR_854_16 (2018 г.).

    КАС Статья пабмед ПабМед Центральный Google ученый

  • Лу, З. и др. . Оценка трех алгоритмов сегментации перекрывающихся клеток шейки матки. IEEE Journal of Biomedical and Health Informatics 21 , 441–450, https://doi.org/10.1109/JBHI.2016.2519686 (2016).

    Артикул пабмед Google ученый

  • Бора, К., Чоудхури М., Маханта Л.Б., Кунду М.К. и Дас А.К. Автоматическая классификация изображений мазка Папаниколау для выявления дисплазии шейки матки. Компьютерные методы и программы в биомедицине 138 , 31–47, https://doi.org/10.1016/j.cmpb.2016.10.001 (2017).

    Артикул пабмед Google ученый

  • Чжан Л. и др. . Сегментация аномальных ядер в цитологии шейки матки на основе графика. Компьютеризированная медицинская визуализация и графика 56 , 38–48, https://doi.org/10.1016/j.compmmedimag.2017.01.002 (2017).

    Артикул пабмед ПабМед Центральный Google ученый

  • William, W., Ware, A., Basaza-Ejiri, A.H. & Obungoloch, J. Обзор методов анализа изображений и машинного обучения для автоматизированного скрининга рака шейки матки по изображениям мазка Папаниколау. Компьютерные методы и программы в биомедицине 164 , 15–22, https://doi.org/10.1016/j.cmpb.2018.05.034 (2018).

    Артикул пабмед Google ученый

  • Лакшми Г.К. и Кришнавени К. Извлечение признаков и выбор набора признаков для диагностики рака шейки матки. Индийский журнал науки и технологий 9 , 1–7, https://doi.org/10.17485/ijst/2016/v9i19/93881 (2016).

    КАС Статья Google ученый

  • Plissiti, ME и др. .Sipakmed: новый набор данных для классификации нормальных и патологических клеток шейки матки на основе признаков и изображений на изображениях мазка Папаниколау. В 2018 г. 25-я Международная конференция IEEE по обработке изображений (ICIP) , 3144–3148 (2018 г.).

  • Уилбур, Д. К. и Наяр, Р. Bethesda 2014: улучшение смены парадигмы. Cytopathology: официальный журнал Британского общества клинической цитологии 26 , 339–342, https://doi.org/10.1111/cyt.12300 (2015).

    КАС Статья Google ученый

  • Наяр Р.& Wilbur, D.C. Система Bethesda для отчетности по цитологии шейки матки: определения, критерии и пояснения (Springer, 2015).

  • Ушизима, Д., Бьянки, А. и Карнейро, К. Сегментация субклеточных компартментов, сочетающая суперпиксельное представление с диаграммами Вороного. Международный симпозиум IEEE по биомедицинской визуализации (ISBI) (2014 г.).

  • Фаливонг, П. и др. . Выявление рака шейки матки с помощью традиционной и жидкостной цитологии шейки матки: 6-летний опыт в северном Бангкоке, Таиланд. Азиатско-Тихоокеанский журнал по профилактике рака 19 , 1331–1336, https://doi.org/10.22034/APJCP.2018.19.5.1331 (2018).

    КАС Статья пабмед Google ученый

  • Резенде, М. Т. и др. . Cric классификация клеток шейки матки. figshare https://doi.org/10.6084/m9.figshare.c.4960286.v2 (2020).

  • Тралл, М. Дж. Автоматизированный скрининг тестов Папаниколау: обзор литературы. Диагностическая цитопатология 47 , 20–27, https://doi.org/10.1002/dc.23931 (2019).

    Артикул пабмед Google ученый

  • Фонд OpenJS. Express 4.x — Справочник по API , https://expressjs.com/pt-br/api.html (2017).

  • Фонд OpenJS. Node.js v14.8.0 Документация , https://nodejs.org/en/docs/ (2020).

  • Саша Депольд и другие. Sequelize v6 API Reference , https://sequelize.org/ (2014).

  • Корпорация Oracle. Справочное руководство по MySQL 8.0 , https://dev.mysql.com/doc/refman/8.0/en/ (2020).

  • Джайн, Н., Бхансали, А. и Мехта, Д. Angularjs: современная структура mvc на javascript. Журнал глобальных исследований в области компьютерных наук 5 , 17–23 (2014).

    Google ученый

  • Ушизима, Д. и др. . IDEAL: изображения в разных областях, эксперименты, алгоритмы и обучение. Журнал минералов, металлов и материалов https://doi.org/10.1007/s11837-016-2098-4 (2016).

  • Араужо, Ф.Х.Д. и др. . Обратный поиск изображений для научных данных в пределах и за пределами видимого спектра. Экспертные системы с приложениями 109 , 35–48, https://doi.org/10.1016/j.eswa.2018.05.015 (2018).

    Артикул Google ученый

  • Араужо, Ф.HD и др. . Глубокое обучение для сегментации и ранжирования изображений клеток. Компьютеризированная медицинская визуализация и графика 72 , 13–21, https://doi.org/10.1016/j.compmedimag.2019.01.003 (2019).

    Артикул пабмед Google ученый

  • Араужо, Ф.Х.Д. и др. . Активные контуры для перекрытия сегментации клеток шейки матки. Междунар. J. Биомедицинская инженерия и технология 35 , 70–92, https://doi.org/10.1504/IJBET.2021.112834 (2021 г.).

    Артикул Google ученый

  • Исидоро, Д. и др. . Автоматическая классификация участков клеток шейки матки на основе негеометрических характеристик: В материалах 15-й Международной совместной конференции по теории и приложениям компьютерного зрения, обработки изображений и компьютерной графики , 845–852, https://doi.org/10.5220/0009172208450852 (SCITEPRESS — Публикации по науке и технологиям, 2020 г.).

  • Бертрам, К. А. и Клопфлейш, Р. Патологоанатом 2.0: обновленная информация о цифровой патологии в ветеринарии. Ветеринарная патология 54 , 756–766, https://doi.org/10.1177/0300985817709888 (2017).

    Артикул пабмед Google ученый

  • Обревиль, М., Бертрам, К., Клопфляйш, Р. и Майер, А. Sliderunner: инструмент для массивных аннотаций ячеек на целых изображениях слайдов. Informatik aktuell 309–314, https://doi.org/10.1007/978-3-662-56537-7_81 (2018).

  • Де Шомон, Ф. и др. . Icy: открытая платформа информатики биоизображений для расширенных воспроизводимых исследований. Природные методы 9 , 690–696, https://doi.org/10.1038/nmeth.2075 (2012).

    КАС Статья пабмед Google ученый

  • Джонс, Т. Р. и др. . Аналитик Cellprofiler: программное обеспечение для исследования и анализа данных для сложных экранов на основе изображений. Биоинформатика BMC 9 , 1–16, https://doi.org/10.1186/1471-2105-9-482 (2008).

    КАС Статья Google ученый

  • Vizcaino, AP и др. . Международные тенденции заболеваемости раком шейки матки: I. Аденокарцинома и плоскоклеточный рак. Международный журнал рака 75 536–545, https://doi.org/10.1002/(sici)1097-0215(19980209)75:4<536::aid-ijc8>3.0.co;2-у (1998).

  • Vizcaino, AP и др. . Международные тенденции заболеваемости раком шейки матки: II. плоскоклеточная карцинома. Международный журнал рака 86 ,429–435, https://doi.org/10.1002/(sici)1097-0215(20000501)86:3<429::aid-ijc20>3.0.co;2- д (2000).

  • Паркин, Д. М. и Брей, Ф. Глава 2: Бремя рака, связанного с ВПЧ. Вакцина 24 , S3/11–25, https://doi.org/10.1016/j.vaccine.2006.05.111 (2006).

    Артикул Google ученый

  • Bosch, F. X. и др. . Эпидемиология и естественное течение папилломавирусных инфекций человека и типоспецифические последствия неоплазии шейки матки. Вакцина 26 , K1–16, https://doi.org/10.1016/j.vaccine.2008.05.064 (2008).

    Артикул пабмед Google ученый

  • Тьялма, В.А. и др. . Различия в распределении типов вирусов папилломы человека при высокодифференцированной интраэпителиальной неоплазии шейки матки и инвазивном раке шейки матки в Европе. Международный журнал рака 132 , 854–867, https://doi.org/10.1002/ijc.27713 (2013).

    КАС Статья пабмед Google ученый

  • Quek, Южная Каролина и др. . Распределение типов папилломавируса человека при инвазивном раке шейки матки и высокодифференцированной цервикальной интраэпителиальной неоплазии в 5 странах Азии. Международный журнал гинекологического рака: официальный журнал Международного общества гинекологического рака 23 , 148–156, https://doi.org/10.1097/IGC.0b013e31827670fd (2013).

    Артикул Google ученый

  • Castanon, A., Landy, R. & Sasieni, P. D. Предотвращает ли скрининг шейки матки аденокарциному и аденосквамозную карциному шейки матки? Международный журнал рака 139 , 1040–1045, https://doi.org/10.1002/ijc.30152 (2016 г.).

    КАС Статья пабмед ПабМед Центральный Google ученый

  • Национальный институт рака Хосе Аленкар Гомеш да Силва. Руководство по управлению качеством для лабораторий цитопатологии (Ministério da Saúde, 2016 г.).

  • Бранка, М. и Лонгатто-Фильо, А. Рекомендации по контролю и обеспечению качества в цитологии шейки матки. Acta Cytologica 59 , 361–369, https://doi.org/10.1159/000441515 (2015 г.).

    Артикул пабмед Google ученый

  • Влияние обработки цифровых изображений в цитологии

    Контекст: Цифровые изображения стали важным компонентом цитологической практики. Они используются в телецитологии, автоматизированном скрининге, учебных материалах и веб-сайтах и ​​могут использоваться для проверки квалификации.Однако на сегодняшний день не проводилось официальной оценки, чтобы определить, могут ли манипуляции с цифровыми изображениями (преднамеренные или непреднамеренные) повлиять на их интерпретацию.

    Цель: Исследовать, влияет ли изменение цифровых цитологических изображений на диагностику.

    Дизайн: Полученные цифровые изображения тестовых слайдов ThinPrep Papanicolaou обрабатывали (поворачивали на 90 градусов и регулировали яркость, контрастность, красно-зелено-синий цвет и яркость) с помощью Photoshop.Тест, состоящий из этих измененных изображений, а также их исходного (неизмененного) изображения и точных дубликатов, был предоставлен 22 цитологам (13 цитотехнологам, 8 цитопатологам и 1 научному сотруднику). Все изображения были оценены как отрицательные, атипичные (атипичные плоскоклеточные клетки неопределенного значения), плоскоклеточные внутриэпителиальные поражения низкой степени, плоскоклеточные внутриэпителиальные поражения высокой степени или положительные на рак. Взвешенная статистика каппа и неоднородность хи (2) использовалась для измерения уровней согласия и оценки соответствия между группами.

    Результаты: Уровень согласия для идентичных дубликатов изображений был превосходным (каппа = 0,81) по сравнению с плохим согласием для пар обработанных изображений (каппа = 0,21), статистически значимое различие (P <0,001). Для всех типов измененных изображений согласие было плохим. Не было существенной разницы между цитотехнологами и цитопатологами в уровне согласия (P = .56).

    Выводы: Манипуляции с цифровым изображением теста Папаниколау, независимо от конкретной категории фотографируемого цитологического материала, существенно влияют на его интерпретацию как цитотехнологами, так и цитопатологами. Это говорит о том, что при использовании цифровых цитологических изображений необходимо соблюдать осторожность, чтобы гарантировать, что их изменение не повлияет на диагностику.

    Тонкоигольная аспирационная цитология глубоко расположенных увеличенных лимфатических узлов под визуальным контролем

    Цель: Оценить роль тонкоигольной аспирационной цитологии (FNAC) глубоких лимфатических узлов под визуальным контролем.

    Материал и методы: FNAC под визуальным контролем были выполнены у 242 пациентов с глубоко расположенными лимфатическими узлами, включая грудные, забрюшинные и абдоминальные узлы.Стерильный микроконвексный секторный зонд 3,5/5 МГц использовался для локализации узла. FNAC выполняли с помощью иглы диаметром 0,7–0,9 мм со стилетом, удаленным и присоединенным к 20-мл шприцу и рукоятке FNAC после того, как игла была визуализирована в очаге поражения. Для каждого случая делали минимум 4-5 мазков, и два наблюдателя беспристрастно интерпретировали мазки.

    Результаты: В общей сложности аспирация была выполнена 242 пациентам, из которых 216 (90%) аспираций выполнялись под контролем УЗИ, а остальные 26 (10%) — под контролем КТ.Адекватный материал для цитологического диагноза был получен у 208 (86%) больных с аналогичной диагностической точностью. Материал аспирата был нерепрезентативным или скудным у 34 (14%) больных. Наиболее частым цитологическим диагнозом был туберкулез/похожий на туберкулез, выявленный у 108 (45%) пациентов с последующим метастазированием (17%) и реактивной гиперплазией (10%). Неходжкинская лимфома диагностирована у 22 (9%) пациентов. Всех пациентов кратко наблюдали в течение периода от 1 1/2 до 2 лет (в среднем 1 год).

    Заключение: FNAC под визуальным контролем играет ключевую роль и является экономически эффективным инструментом для постановки диагноза тканей в качестве основного метода исследования. Это также полезно и точно при последующем наблюдении за пациентами с известным злокачественным заболеванием, что позволяет избежать хирургического вмешательства.

    Двухэтапное обучение с использованием реальных и синтезированных изображений путем постепенного наращивания генеративно-состязательных сетей

    Abstract

    Цитология является первым патологоанатомическим исследованием, проводимым при диагностике рака легкого.В нашем предыдущем исследовании мы внедрили глубокую сверточную нейронную сеть (DCNN) для автоматической классификации цитологических изображений как изображений с доброкачественными или злокачественными признаками и достигли точности 81,0%. Чтобы еще больше повысить производительность DCNN, необходимо обучить сеть, используя больше изображений. Однако трудно получить изображения клеток, которые содержат различные цитологические признаки, с использованием многих ручных операций с микроскопом. Поэтому в этом исследовании мы стремимся повысить точность классификации DCNN с использованием реальных и синтезированных цитологических изображений с генеративно-состязательной сетью (GAN).На основе предложенного метода изображения пятен были получены из микроскопического изображения. Соответственно, они сгенерировали много дополнительных похожих изображений с использованием GAN. В этом исследовании мы представляем прогрессивный рост GAN (PGGAN), который позволяет создавать изображения с высоким разрешением. Использование этих изображений позволило нам предварительно обучить DCNN. Затем сеть DCNN была настроена с использованием реальных изображений патчей. Чтобы подтвердить эффективность предложенного метода, мы сначала оценили качество изображений, сгенерированных PGGAN и обычной глубокой сверточной GAN.Затем мы оценили эффективность классификации доброкачественных и злокачественных клеток и подтвердили, что сгенерированные изображения имеют характеристики, аналогичные характеристикам реальных изображений. Соответственно, мы определили, что общая точность классификации клеток легких составила 85,3%, что было улучшено примерно на 4,3% по сравнению с ранее проведенным исследованием без предварительной подготовки с использованием изображений, сгенерированных GAN. Основываясь на этих результатах, мы подтвердили, что предложенный нами метод будет эффективен для классификации цитологических изображений в случаях, когда получены лишь ограниченные данные.

    Образец цитирования: Терамото А., Цукамото Т., Ямада А., Кирияма Ю., Имаидзуми К., Сайто К. и др. (2020) Подход глубокого обучения к классификации цитологических изображений легких: двухэтапное обучение с использованием реальных и синтезированных изображений путем постепенного роста генеративно-состязательных сетей. ПЛОС ОДИН 15(3): е0229951. https://doi.org/10.1371/journal.pone.0229951

    Редактор: Yuchen Qiu, Университет Оклахомы, США

    Поступила в редакцию: 3 сентября 2019 г.; Принято: 18 февраля 2020 г .; Опубликовано: 5 марта 2020 г.

    Copyright: © 2020 Teramoto et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

    Доступность данных: Все соответствующие данные размещены в Figshare по следующему адресу: http://dx.doi.org/10.6084/m9.figshare.11467368

    Финансирование: Это исследование было частично поддержано грантом -in270 Пособие на научные исследования (No.17K09070) Министерства образования, культуры, спорта, науки и технологий 271 Японии. И для этого исследования не было получено никакого дополнительного внешнего финансирования.

    Конкурирующие интересы: НЕТ авторов, имеющих конкурирующие интересы.

    Введение

    Рак легких является ведущей причиной смерти мужчин во всем мире [1]. По данным патологических исследований, проведенных для детальной диагностики рака легкого, стало возможным идентифицировать типы и подтипы тканей с помощью иммуноокрашивания и генетических исследований [2].На основании этих тестов пациенты могут пройти операцию, лучевую терапию, лекарственную терапию или комбинацию этих методов лечения. С появлением молекулярных препаратов и ингибиторов иммунных контрольных точек [3] в последние годы были получены хорошие терапевтические результаты, и, таким образом, точная диагностика стала необходимой для определения подходящих терапевтических методов.

    При патологоанатомической диагностике рака легкого сначала проводится цитологическое исследование с использованием клеток, взятых при биопсии во время бронхоскопии [4], а затем гистологические исследования позволяют получить исчерпывающие диагностические результаты.Однако существуют значительные вариации типов клеток, включая атипичные регенеративные опухолевые клетки. Соответственно, специалистам по скринингу или цитологам иногда приходится делать сложные суждения. Кроме того, обнаружение аномальных клеток на многих изображениях клеток является очень сложной задачей. Следовательно, если идентификацию можно поддерживать с помощью анализа изображений или технологий искусственного интеллекта [5–10], точность диагностики может быть повышена.

    Ранее мы разработали метод классификации доброкачественных и злокачественных клеток легких с использованием глубокой сверточной нейронной сети (DCNN) [11], а также разработали систему классификации типов рака легких на основе DCNN [12].Общая точность классификации доброкачественного/злокачественного рака и типа рака легкого составила 79% и 71% соответственно. Для дальнейшего повышения этой производительности было бы необходимо увеличить количество изображений, используемых для обучения CNN. Тем не менее, в цитологии ручное управление микроскопом по-прежнему является одним из наиболее типичных методов, используемых для оценки трехмерной морфологии клеток, однако цифровая визуализация все еще находится в стадии разработки. В цитологии необходимо сосредоточиться на отдельных представляющих интерес клетках.Следовательно, планарное сканирование, например, используемое для гистологической диагностики, не может передать необходимую информацию. Поэтому пока нереально автоматически получать большое количество изображений, включая информацию о глубине, в цифровом виде. Чтобы улучшить эффективность распознавания, необходимо рассмотреть метод, который может обеспечить хорошую эффективность классификации с меньшим количеством данных.

    Для этой цели мы используем генеративно-состязательную сеть (GAN), основанную на глубоком обучении технологию генерации изображений, включающую генератор и дискриминатор, которые работают на конкурентной основе [13].Генератор пытается генерировать синтетические изображения, которые дискриминатор ошибочно интерпретирует как реальные изображения, в то время как дискриминатор обучается отличать реальные изображения от синтетических. Повторяя эти процессы, генератор может генерировать синтетические изображения, очень похожие на реальные изображения. Эта технология часто применяется для обработки медицинских изображений [14].

    Ван и др. предложил уменьшение металлических артефактов на КТ-изображениях с помощью условной GAN [15]. Гибас и др. разработал метод вывода изображений глазного дна и сегментированных изображений кровеносных сосудов с использованием двух GAN [16].Фрид-Адар и др. сгенерировали небольшие изображения компьютерной томографии (КТ) (64 × 64 пикселя) печени с использованием DCGAN и применили их к классификации и показали, что CNN с использованием изображений, сгенерированных GAN, улучшила точность классификации поражений на 7% [17]. . Хан и др. сгенерировали МРТ-изображения головного мозга размером 256 × 256 пикселей с использованием PGGAN и применили их для автоматического обнаружения опухолей головного мозга, что повысило общую точность классификации на 1% [18]. Ранее наша группа генерировала паттерны узелков в легких на КТ-изображениях с помощью GAN и использовала их для обучения DCNN для классификации доброкачественных и злокачественных паттернов.Это показало, что этот метод эффективен для улучшения классификации [19,20].

    Что касается применения GAN к патологическим изображениям, Song et al. предложили метод создания гистопатологических изображений клеток костного мозга для повышения производительности автоматической классификации клеток костного мозга [21]. Однако приложения к цитологии и созданию изображений (в которых существует несколько клеток) не увенчались успехом. С помощью обычной GAN сложно генерировать изображения со сложными конфигурациями многих объектов, и, следовательно, также очень сложно получать изображения с высоким разрешением.

    Недавно Kerras et al. предложил прогрессивный рост GAN (PGGAN) для решения проблем, возникающих с обычными GAN, и преуспел в создании изображений с высоким разрешением [22]. PGGAN может генерировать изображения нескольких ячеек с высоким разрешением. Таким образом, это исследование направлено на создание цитологических изображений с использованием PGGAN и повышение эффективности классификации с использованием сгенерированных изображений.

    Материалы и методы

    Схема предлагаемого метода

    Метод классификации клеток, предложенный в этом исследовании, показан на рис. 1.Изображения участков были сегментированы из изображений цитологических образцов, полученных с помощью микроскопа, и DCNN классифицировала эти изображения как доброкачественные или злокачественные. Обучение DCNN проводилось в два этапа: во-первых, с помощью PGGAN было сгенерировано множество цитологических изображений, и DCNN была предварительно обучена на них, как показано на рис. 1 (A). Впоследствии DCNN была настроена с использованием реальных изображений, как показано на рис. 1(B).

    Материалы

    Клетки легких 60 пациентов были собраны с помощью интервенционной цитологии с использованием либо бронхоскопии, либо тонкоигольной аспирационной цитологии под контролем КТ, и включали 25 доброкачественных и 35 злокачественных случаев в соответствии с комбинированным гистопатологическим и иммуногистохимическим диагнозом.В частности, одновременно с цитологическими препаратами собирали биоптаты, фиксировали в 10% формалине, обезвоживали и заливали в парафин. В некоторых случаях срезы ткани толщиной 3 мкм подвергали иммуногистохимическому анализу. Цитологические образцы готовили методом жидкостной цитологии с использованием жидкостного теста Папаниколау BD SurePath TM (Beckton Dickinson, Franklin Lakes, NJ, USA) и окрашивали по методу Папаниколау. Используя цифровую камеру (DP20, Olympus Corporation, Токио, Япония), которая была присоединена к микроскопу (BX53, Olympus Corporation) с 40-кратным объективом, было получено 244 микроскопических изображения доброкачественных клеток и 267 изображений злокачественных клеток в формате JPEG. формат с размером 1280 × 960 пикселей на изображение.Это исследование было одобрено экспертным советом учреждения, и от пациентов было получено информированное согласие при условии анонимности данных (№ HM16–155).

    Подготовка изображения

    Размер матрицы полученных микроскопических изображений слишком велик для прямого ввода в DCNN. Поэтому полученные изображения были разделены на неперекрывающиеся участки размером 256 × 256 пикселей, как показано на рис. 2. Изображения участков включали различные клетки, которые не обязательно содержали злокачественные клетки, даже если изображения были получены от пациента со злокачественной опухолью.Таким образом, два цитопатолога оценивали наличие или отсутствие злокачественных клеток на изображениях пятен во всех случаях злокачественных опухолей. Всего было получено 793 изображения участков (391 доброкачественная и 402 злокачественных клетки). Учитывая, что количество изображений было все еще слишком мало для обучения GAN и DCNN, для увеличения количества изображений использовались поворот (90 °, 180 ° и 270 °), переворот и коррекция цвета.

    На цитологических изображениях клетки часто перекрываются, поэтому они толще, чем на гистологии.Поскольку нам нужно сфокусироваться на каждой клетке-мишени, в микроскопических изображениях смешаны размытые и четкие места. Кроме того, поскольку регулировка фокуса выполняется вручную, резкость изображения меняется. Поэтому, чтобы воспроизвести изменение фокуса, были также введены два пространственных фильтра (улучшение краев и фильтр Гаусса) для увеличения данных. Таким образом, было создано 10 000 доброкачественных и 10 000 злокачественных изображений клеток, включая исходные изображения. Этот метод аугментации был подробно описан в одной из наших предыдущих публикаций [11].

    Генерация изображения на основе PGGAN

    GAN — новая структура глубокого обучения, используемая для оценки генеративных моделей с помощью состязательного процесса, — может быть введена для создания изображений для обучения DCNN. Генератор GAN принимает переменную, извлеченную из определенного распределения, такого как распределение Гаусса, в качестве входных данных и синтезирует данные на основе многослойной сети. В дискриминаторе GAN либо сгенерированные, либо фактические данные передаются в многоуровневую сеть, которая классифицирует, были ли данные данные сгенерированы синтетически или реальными.Глубокие сверточные генеративно-состязательные сети (DCGAN) часто используются, когда изображения генерируются с помощью GAN [23]. Однако, учитывая, что конечное выходное изображение генерируется непосредственно из случайных значений, обучение сети становится нестабильным, и часто бывает сложно генерировать изображения с высоким разрешением. Для улучшения качества изображений, генерируемых GAN, было разработано множество методов. PGGAN, предложенный Керрасом и др., представляет собой метод, который постепенно увеличивает сетевые уровни генератора и дискриминатора GAN и увеличивает их разрешение.В этом исследовании мы представили PGGAN для создания изображений с высоким разрешением.

    Как показано на рис. 3, PGGAN изначально генерирует небольшие изображения размером 4 × 4 пикселя из 128 случайных значений (скрытых векторов) с помощью генератора с двумя сверточными слоями. Дискриминатор классифицирует эти изображения как настоящие или синтетические (т.е. сгенерированные). Добавляя аналогичные сети к первоначальным сетям, PGGAN может затем генерировать и различать изображения большего размера с размерами, равными 8 × 8 пикселей. Повторяя это добавление, в конечном итоге будут созданы изображения с высоким разрешением.В этом исследовании PGGAN генерировала изображения с размерами, равными 256 × 256 пикселей, что соответствует размеру реальных изображений патчей. Структура сети PGGAN, используемая в этом исследовании, была основана на оригинальной статье Керраса и др. [22]. В сверточном слое для генерации изображений размером 8×8 и 16×16 пикселей использовалось 512 карт признаков. Соответственно, для генерации изображений размером 32 × 32, 64 × 64, 128 × 128 и 256 × 256 пикселей было использовано 256, 128, 64 и 32 карты признаков соответственно.Структура PGGAN была основана на WGAN [24], оценочные функции двух сетей были разделены расстояниями Вассерштейна [22]. Мы приняли оптимизатор Адама [25] и установили скорость обучения на 0,001, β 1 на 0,0 и β 2 на 0,999 для 100 эпох обучения на каждом шаге масштабирования, обеспечивая при этом стабильную работу обучения. Мы разработали две PGGAN для генерации доброкачественных и злокачественных клеток.

    Двухэтапное обучение DCNN

    DCNN использовали для различения доброкачественных и злокачественных цитологических изображений.В этом исследовании мы использовали архитектуру VGG-16 DCNN [26]. VGG-16 — это простая и глубокая сетевая структура, выпущенная Visual Geometry Group Оксфордского университета в 2014 году и занявшая второе место в конкурсе классификации изображений 2014 года [27]. Наше предыдущее исследование подтвердило, что VGG-16 классифицирует цитологические изображения лучше, чем другие известные сетевые архитектуры, такие как AlexNet [5], Inception V3 [28], ResNet-50 [29] и DenseNet [30]. Чтобы ввести сеть VGG-16 в нашу исследовательскую задачу, мы исключили полносвязные слои из исходной сети, а новые полносвязные слои, состоящие из 1024, 256 и 2 единиц, были добавлены после окончательного слоя объединения VGG-16, как показано на рис. 4.

    Обучение сети было разделено на два этапа. Во-первых, изображение, сгенерированное PGGAN, было присвоено DCNN, и веса всей сети были обновлены (предобучение). Впоследствии фактические изображения были введены в обученную сеть, и только веса полностью связанных слоев были обновлены (тонкая настройка).

    Для этих процессов мы создали оригинальную программу с использованием Keras и Tensorflow, мы приняли размер мини-пакета 32, алгоритм оптимизации Адама, коэффициент обучения, равный 10 −6 , значение β 1 , равное 0.9, а значение β 2 равно 0,999. При предварительном обучении и тонкой настройке DCNN использовались одни и те же параметры для обучения. Поведение обучения DCNN для классификации было подтверждено с использованием проверочных изображений (173 изображения), а общие гиперпараметры использовались трижды.

    Показатели оценки

    Это исследование было направлено на а) создание цитологических изображений с помощью GAN и б) использование их для обучения DCNN для улучшения классификации цитологических изображений. Чтобы подтвердить эффективность предложенного метода, мы проанализировали сгенерированные изображения и производительность классификации сети.Во-первых, чтобы подтвердить эффективность PGGAN, мы сравнили качество изображений, генерируемых PGGAN и DCGAN, что является обычным методом, не имеющим прогрессивной структуры. Используемая при оценке DCGAN состояла из генератора с пятью сверточными и четырьмя масштабирующими слоями, а также дискриминатора с шестью сверточными и одним выходным слоями. Генератор генерировал изображения размером 256 × 256 пикселей из 128 случайных значений (скрытый вектор). Мы приняли оптимизатор Адама и установили скорость обучения на 0.00002, β 1 до 0,5 и β 2 до 0,999 для 5000 эпох обучения с размером мини-пакета 32, обеспечивая при этом стабильную работу обучения. Впоследствии мы оценили эффективность классификации DCNN. Были сопоставлены итоговые характеристики классификации трех методов предварительного обучения: а) в первом случае для предварительного обучения DCNN использовались только изображения из базы данных ImageNet, б) во втором случае использовались изображения, сгенерированные PGGAN, и c) в третьем случае использовались обычные изображения, сгенерированные DCGAN.Мы создали матрицу путаницы, которая сравнила вывод сети с известной фактической классификацией. Матрицу рассчитывали, установив пороговое значение 0,5 для выхода злокачественности DCNN. Кроме того, была предоставлена ​​отсечка в отношении выходных данных DCNN, были рассчитаны чувствительность и специфичность классификации, а кривые рабочих характеристик приемника (ROC) были построены на основе трех условий для сравнения площадей под кривыми (AUC).

    Результаты

    Синтезированные цитологические изображения

    На рис. 5 показаны примеры реальных цитологических изображений, изображений, созданных обычной DCGAN, и изображений, созданных PGGAN.

    Классификация доброкачественных и злокачественных клеток

    Были оценены предварительная подготовка VGG-16 с использованием изображений, сгенерированных PGGAN, и эффективность классификации DCNN, точно настроенная с помощью реальных изображений. В таблице 1 показана матрица путаницы для классификации с трехкратной перекрестной проверкой для 620 изображений. Суммарная точность составила 85,3%. На рис. 6 показаны результаты кривой ROC. Кривые ROC для DCNN, предварительно обученной с использованием PGGAN, были лучше, чем у DCNN, предварительно обученных с помощью ImageNet или DCGAN.

    В таблице 2 сравниваются чувствительность различения, специфичность, общая точность и AUC трех методов. Предложенный метод PGGAN дал лучшие результаты, чем два других метода. Для сравнения классифицированных результатов на рис. 7 показаны изображения, правильно идентифицированные как обычным, так и предложенным методами, изображения, вновь правильно идентифицированные предложенным методом, и изображения, правильно идентифицированные ни традиционным, ни предложенным методами.

    Обсуждение

    В этом исследовании мы улучшили классификацию клеток легких с использованием цитологических изображений доброкачественных и злокачественных новообразований, созданных с помощью GAN.Мы представили PGGAN, связанную с GAN технологию, способную генерировать изображения с высоким разрешением, а также двухэтапный процесс предварительного обучения с изображениями, сгенерированными GAN, который был точно настроен с реальными изображениями.

    В цитологии четко наблюдают размер ядра, долю ядра в клетке, количество хроматина и ядрышка для оценки степени атипии клеток. Кроме того, для классификации типов клеток наблюдают за формой скопления клеток и цветом клеток.С этой точки зрения сгенерированные изображения PGGAN и DCGAN были субъективно оценены патологом. На изображении, полученном обычным методом DCGAN, в основном были воспроизведены формы скопления клеток; однако очертания и внутренняя структура клеток были неясны. Поэтому очень сложно получить изображение для оценки злокачественности с помощью обычной DCGAN. С другой стороны, изображения, созданные PGGAN, воспроизводили форму скоплений клеток и текстуру ядра и цитоплазмы.Однако для определения атипизма клеток в диагнозе требуется более подробная морфология клеток. Воспроизводимость цветов изображений, полученных как с помощью PGGAN, так и с помощью DCGAN, была приемлемой.

    Как описано выше, хотя качество изображения, созданного PGGAN, недостаточно для использования при оценке злокачественных новообразований и типов клеток, качество изображения было лучше, чем у изображения, созданного DCGAN; базовая структура и последовательность были воспроизведены, чтобы выдержать предварительную подготовку DCNN.

    Использование изображений, сгенерированных PGGAN, для предварительной подготовки DCNN улучшило специфичность классификации примерно на 8,5%, сохранив при этом чувствительность обнаружения по сравнению с использованием обычного метода предварительной подготовки с базой данных ImageNet. Чувствительность обнаружения и общая точность классификации DCNN, которая была предварительно обучена с использованием изображений, сгенерированных DCGAN, были самыми низкими из трех методов предварительной подготовки, возможно, потому, что изображения, сгенерированные DCGAN, не содержали достаточной информации о форме и цвете.AUC предложенного метода PGGAN был самым высоким и подтвердил эффективность предварительного обучения DCNN с использованием изображений, сгенерированных GAN. Изображения, синтезированные DCGAN, имели недостаточное качество в ядре клетки, а информация о краях и контрасте, составляющая клеточную морфологию, была плохой. Поэтому считается, что предварительное обучение с использованием изображений, сгенерированных DCGAN, уступает предварительному обучению с использованием ImageNet. С другой стороны, изображения, синтезированные с помощью PGGAN, имели хорошее представление о ядрах и расположении клеток, а также о структурах клеток, не включенных в обучающее изображение; они эффективно используются для предварительной подготовки DCNN.

    Глубокое обучение с использованием DCNN требует большого количества изображений, чтобы добиться хорошей производительности. Однако может быть трудно получить достаточное количество данных медицинских изображений. Экспериментальные результаты показывают, что наша схема будет полезна для классификации медицинских изображений, даже если будет получено лишь ограниченное количество данных. В этом исследовании цитологические изображения были классифицированы как доброкачественные или злокачественные. Однако многие атипичные клетки имеют промежуточные характеристики. Поэтому в дальнейшем необходимо будет рассмотреть методы, классифицирующие клетки на три типа, в том числе атипичные клетки.

    Выводы

    В этом исследовании мы разработали метод автоматического создания цитологических изображений с использованием GAN и выполнили двухэтапный процесс обучения с использованием DCNN для улучшения классификации доброкачественных и злокачественных цитологических изображений с использованием DCNN. В предлагаемом методе изображения фрагментов были сегментированы из исходных микроскопических изображений, что позволило создать множество изображений с высоким разрешением с помощью PGGAN. Мы также предварительно обучили DCNN VGG-16 с использованием синтезированных изображений и точно настроили DCNN с реальными изображениями патчей.В эксперименте с 793 изображениями фрагментов предложенный метод улучшил специфичность классификации на 8,5% и общую точность классификации примерно на 4,3% по сравнению с сетью, которая была точно настроена с помощью ImageNet. Эти результаты подтвердили эффективность использования изображений, сгенерированных PGGAN.

    Благодарности

    Авторы выражают благодарность д-ру Рональду М. Саммерсу из Национального института здравоохранения и д-ру Ке Яну и д-ру Лин Чжан из PAII Inc. за их полезные комментарии.

    Каталожные номера

    1. 1. Американское онкологическое общество [Интернет]. Факты и цифры о раке, 2015 г. [цитировано 30 апреля 2019 г.]. Доступно по адресу: https://www.cancer.org/content/dam/cancer-org/research/cancer-facts-and-statistics/annual-cancer-facts-and-figures/2015/cancer-facts-and-figures. -2015.pdf
    2. 2. Инамура К. Обновление иммуногистохимии для диагностики рака легких. Раки 2018 14 марта; 10(3): 72.
    3. 3. Оказаки Т., Чикума С., Иваи Ю., Фагарасан С., Хондзё Т.Реостат для иммунных реакций: уникальные свойства PD-1 и их преимущества для клинического применения. Нат Иммунол. 2013 15 ноября; 14 (12): 1212–128. пмид:24240160
    4. 4. Джонстон ВВ. Цитологическая диагностика рака легкого: Принципы и проблемы. Патол Res Pract. 1986 март; 181: 1–36. пмид:2422636
    5. 5. Крижевский А., Суцкевер И., Хинтон Г.Е. Классификация ImageNet с помощью глубоких сверточных нейронных сетей. Adv Neural Inf Process Syst. 2017 июнь; 25: 1106–14.
    6. 6. LeCun Y, Bengio Y, Hinton GE. Глубокое обучение. Природа. 2015 27 мая; 521: 436–44. пмид:26017442
    7. 7. Ян К., Ван С., Лу Л., Саммерс Р.М. DeepLesion: автоматизированный анализ крупномасштабных аннотаций повреждений и универсальное обнаружение повреждений с помощью глубокого обучения. J Med Imaging. 2018 июл 20;5: 036501.
    8. 8. Терамото А., Фудзита Х., Ямамуро О., Тамаки Т. Автоматическое обнаружение легочных узлов на изображениях ПЭТ / КТ: объединение ложноположительных результатов с использованием метода сверточной нейронной сети.мед. физ. 2016 13 мая; 43: 2821–2827. пмид:27277030
    9. 9. Терамото А., Цудзимото М., Иноуэ Т., Цукамото Т., Имаидзуми К., Тояма Х. и др. Автоматизированная классификация легочных узлов посредством ретроспективного анализа обычных КТ и двухфазных ПЭТ-изображений у пациентов, которым проводится биопсия. Азия Океания J Nucl Med Biol. 2019 янв; 7 (1): 29–37.
    10. 10. Терамото А., Фуджита Х. Автоматическое обнаружение легочных узлов с помощью позитронно-эмиссионной томографии/компьютерной томографии. В: Suzuki K, Chen Y, редакторы.Искусственный интеллект в системах поддержки принятия решений для диагностики в медицинской визуализации. Чам: Спрингер; 2018. с. 87–110.
    11. 11. Терамото А., Ямада А., Кирияма Ю., Цукамото Т., Ян К., Чжан Л. и др. Автоматизированная классификация доброкачественных и злокачественных клеток из цитологических изображений легких с использованием глубокой сверточной нейронной сети. Сообщите мед разблокировано. 8 июля 2019 г .; 16(100205): 1–7.
    12. 12. Терамото А., Цукамото Т., Кирияма Ю., Фуджита Х. Автоматическая классификация типов рака легких по цитологическим изображениям с использованием глубоких сверточных нейронных сетей.Биомед Рез Инт. 2017 13 августа; 2017: 4067832. пмид:28884120
    13. 13. Гудфеллоу И., Пуже-Абади Дж., Мирза М., Сюй Б., Уорд-Фарли Д., Озаир С. и др. Генеративные состязательные сети. Adv Neur Inform Process Syst. 2014; 2672–80.
    14. 14. Yi X, Walia E, Babyn P. Генеративно-состязательная сеть в медицинской визуализации: обзор. Мед. Анальный образ. 2019;58,101552. пмид:31521965
    15. 15. Ван Дж., Чжао Й., Ноубл Дж. Х., Давант Б. М. Условно-генеративные состязательные сети для уменьшения металлических артефактов на КТ-изображениях уха.Мед. Изображение. вычисл. вычисл. Ассистент Интерв. 2018 сен; 11070: 3–11.
    16. 16. Гуибас Дж. Т., Вирди Т. С., Ли П. С. Синтетические медицинские изображения из двойных генеративных состязательных сетей. Препринт arXiv. 6 сентября 2017 г .; arXiv: 1709.01872.
    17. 17. Frid-Adar M, Diamant I, Klang E, Amitai M, Goldberger J, Greenspan H. Расширение синтетических медицинских изображений на основе GAN для повышения производительности CNN при классификации поражений печени. Нейрокомпьютинг. 2018 10 декабря; 321 (10): 321–31.
    18. 18.Хан К., Рундо Л., Араки Р., Фурукава Й., Маури Г., Накаяма Х. и др.: Бесконечные МРТ-изображения мозга: увеличение данных на основе PGGAN для обнаружения опухолей. Препринт arXiv. 2019 29 марта; архив: 1903.12564v1.
    19. 19. Ониши Ю., Терамото А., Цудзимото М., Цукамото Т., Сайто К., Тояма Х. и др. Многоплоскостной анализ для классификации легочных узлов на КТ-изображениях с использованием глубокой сверточной нейронной сети и генеративно-состязательных сетей. IJCARS 2019, доступен онлайн. https://doi.org/10.1007/s11548-019-02092-z
    20. 20. Ониши Ю., Терамото А., Цудзимото М., Цукамото Т., Сайто К., Тояма Х. и др. Автоматическая классификация легочных узлов на изображениях компьютерной томографии с использованием глубокой сверточной нейронной сети, обученной генеративно-состязательными сетями. Биомед Рез Инт. 2019 2 января; 6051939. пмид:30719445
    21. 21. Сонг Т.Х., Санчес В., ЭльДали Х., Раджпут Н.М. Одновременное обнаружение и классификация клеток на гистологических изображениях костного мозга. IEEE J Biomed Health Inform.2019 июль; 23 (4): 1469–1476. пмид:30387756
    22. 22. Каррас Т., Айла Т., Лейн С., Лехтинен Дж. Прогрессивное выращивание GAN для улучшения качества, стабильности и разнообразия. Препринт arXiv. 2017 27 октября; arXiv: 1710.10196.
    23. 23. Рэдфорд А., Мец Л., Чинтала С. Обучение представлению без учителя с помощью глубоких сверточных генеративно-состязательных сетей. Препринт arXiv. 7 января 2016 г .; arXiv: 1511.06434v2.
    24. 24. Аржовски М., Чинтала С., Ботту Л. Вассерштейн ГАН.Препринт arXiv. 2017 26 января; arXiv: 1701.07875.
    25. 25. Кингма Д.П., Ба Дж. Адам: метод стохастической оптимизации. Препринт arXiv. 2017 30 января;arXiv:1412.6980v9.
    26. 26. Симонян К., Зиссерман А. Очень глубокие сверточные сети для крупномасштабного распознавания изображений. Препринт arXiv. 2015 10 апреля; arXiv: 1409.1556.
    27. 27. Русаковский О., Дэн Дж., Су Х., Краузе Дж., Сатиш С., Ма С. и др. ImageNet Крупномасштабное визуальное распознавание. Int J Comput Vis.2015 11 апреля; 115 (3): 211–52.
    28. 28. Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Углубление с извилинами. Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2015.
    29. 29. He K, Zhang X, Ren S, Sun J. Глубокое остаточное обучение для распознавания изображений. Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2016. с. 770–8.
    30. 30. Хуан Г., Лю З., ван дер Маатен Л., Вайнбергер К.К.Плотносвязные сверточные сети. Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2017. с. 4700–8.

    Влияние обработки цифровых изображений в цитологии

    Контекст. —Цифровые изображения стали важным компонентом практики цитологии. Они используются в телецитологии, автоматизированном скрининге, учебных материалах и веб-сайтах и ​​могут использоваться для проверки квалификации.Однако на сегодняшний день не проводилось официальной оценки, чтобы определить, могут ли манипуляции с цифровыми изображениями (преднамеренные или непреднамеренные) повлиять на их интерпретацию.

    Объектив. — Чтобы выяснить, влияет ли изменение цифровых цитологических изображений на диагностику.

    Дизайн. — Полученные цифровые изображения тестовых слайдов ThinPrep Papanicolaou были обработаны (повернуты на 90 градусов и отрегулированы яркость, контрастность, красно-зелено-синий цвет и яркость) с помощью Photoshop. Тест, состоящий из этих измененных изображений, а также их исходного (неизмененного) изображения и точных дубликатов, был предоставлен 22 цитологам (13 цитотехнологам, 8 цитопатологам и 1 научному сотруднику).Все изображения были оценены как отрицательные, атипичные (атипичные плоскоклеточные клетки неопределенного значения), плоскоклеточные внутриэпителиальные поражения низкой степени, плоскоклеточные внутриэпителиальные поражения высокой степени или положительные на рак. Взвешенная статистика κ и гетерогенности χ 2 использовалась для измерения уровней согласия и оценки согласованности между группами.

    Результаты. — Уровень согласия для идентичных дубликатов изображений был превосходным (κ = 0,81) по сравнению с плохим согласием для пар обработанных изображений (κ = 0.21), статистически значимое различие ( P < 0,001). Для всех типов измененных изображений согласие было плохим. Не было существенной разницы между цитотехнологами и цитопатологами в уровне согласия ( P = 0,56).

    Выводы. — Манипуляции с цифровым изображением теста Папаниколау, независимо от конкретной категории сфотографированного цитологического материала, существенно влияют на его интерпретацию как цитотехнологами, так и цитопатологами.Это говорит о том, что при использовании цифровых цитологических изображений необходимо соблюдать осторожность, чтобы гарантировать, что их изменение не повлияет на диагностику.

    Цифровое изображение — это изображение, которое захвачено и сохранено в виде электронного файла данных. Цифровые изображения позволяют оценивать качество изображения и содержание во время захвата, легко копируются и манипулируются, а также обеспечивают лучшее хранение, каталогизацию, поиск и совместное использование изображений по сравнению с аналоговой фотографией.В результате этих непосредственных преимуществ цифровые изображения становятся все более важным компонентом современной практики цитопатологии.1,2 Они используются для телецитологии, учебных материалов, включая веб-сайты по цитологии, рецензирования и автоматизированного скрининга мазков Папаниколау (Пап). и иметь потенциал для использования в будущей проверке квалификации.3–5 

    Необходимые этапы процесса обработки цифровых изображений включают в себя получение изображения (например, захват цифровой камерой), хранение (например, хранение и извлечение на дисковом носителе или диске), редактирование (например, манипуляции после захвата) и использование (например, просмотр, отображение , печать и обмен).В настоящее время не существует установленных стандартов в отношении этих различных этапов визуализации в области патологии. Форматы файлов изображений, использующие алгоритм сжатия с потерями (например, JPEG), уменьшают размер файла и необходимое пространство для хранения. Однако аналогичное сжатие изображения и манипуляции с ним могут непреднамеренно вставлять артефакты и/или удалять элементы из цифрового изображения. Как правило, чем выше степень сжатия, тем больше теряется информации, что в конечном итоге может привести к снижению качества или детализации изображения.

    Поскольку цифровые изображения стали более распространенными в медицинской и научной областях из-за широкой доступности сложного программного обеспечения для обработки изображений, важность мошеннических манипуляций с цифровыми изображениями стала проблемой.6–15 Манипуляции с цифровыми изображениями относятся к использованию компьютерных программных инструментов и программного обеспечения для выполнения обработки изображений (изменения изображения). Пиксели, составляющие цифровое изображение, могут быть изменены как группа (глобальная настройка) или по отдельности (фокусная настройка) с помощью редакторов изображений. Этой спорной теме посвящено ограниченное количество публикаций, в которых предлагаются рекомендации и простые правила по таким вопросам, как стирание и объединение элементов в цифровом изображении.16,17 

    Однако до настоящего времени не проводилось официальной оценки в цитопатологии для определения того, могут ли манипуляции с цифровыми изображениями (преднамеренные или непреднамеренные) повлиять на соответствующую интерпретацию.Чтобы конкретно удовлетворить эту потребность, целью этого исследования было выяснить, может ли глобальное изменение цифровых цитологических изображений существенно повлиять на диагностику.

    Цифровые изображения тестовых слайдов ThinPrep Pap, окрашенных с использованием стандартного красителя ThinPrep Imager, были получены с помощью одной цифровой камеры Spot Diagnostic (Insight 4) при аналогичном увеличении. Все изображения были сохранены в формате JPEG.Используя Adobe Photoshop 7.0 (Adobe Systems Inc, Сан-Хосе, Калифорния) на Apple iBook G4 (Apple Inc, Купертино, Калифорния), были обработаны 10 цифровых изображений. Эта манипуляция ограничивалась глобальными изменениями (т. е. изменялись все элементы изображения) и включала изменения контраста, цветового баланса красно-зелено-синего цвета и/или яркости изображений. Контрастность некоторых обработанных изображений была только увеличена, и в этом случае ядра казались более темными и более «гиперхроматическими». С помощью красно-зелено-синих манипуляций плоскоклеточные клетки на некоторых изображениях можно было скорректировать так, чтобы они казались менее ороговевшими (т. е. цитоплазма была более синей, чем оранжевой) вместе с более темными ядрами.Яркость была увеличена только на некоторых изображениях, что привело к более темным ядрам. Очаговых изменений не было. После того, как изображения были обработаны, они были повернуты на 90 ° от исходного полученного изображения в попытке замаскировать его от оригинала.

    Тест был составлен из 50 цифровых изображений цервиковагинальной цитологии, включая измененные, неизмененные и дублированные изображения (таблица 1). Тест проводился в цифровом виде (т.е. просматривался на мониторе персонального компьютера) 22 цитологам (13 цитотехнологам, 8 цитопатологам и 1 сотруднику цитопатологии).Всем было дано одно и то же испытание. Все 50 изображений были представлены в одном и том же порядке в презентации PowerPoint 2003 (Microsoft Corp, Redmond, Wash). Каждое изображение продвигалось отдельным тестируемым без каких-либо ограничений по времени. Испытуемым было предложено оценить каждое цифровое изображение как отрицательное, атипичное плоскоклеточное внутриэпителиальное поражение низкой степени, плоскоклеточное внутриэпителиальное поражение высокой степени или положительное на карциному.

    Таблица 1.

    Тестовая композиция, состоящая из 50 цифровых изображений

    Было получено 100% ответов на все вопросы. Таблица 2 иллюстрирует корреляцию диагнозов для всех пар измененных изображений по сравнению с неизмененными изображениями. Критерий совпадения κ (κ = 0,21) был плохим для измененных изображений. Таблица 3 демонстрирует корреляцию диагнозов для всех пар неизмененных дубликатов изображений в рамках исследования.Для сравнения, мера соответствия κ (κ = 0,81) была превосходной для этих дубликатов неизмененных изображений. Это различие было умеренно большим (H = 1,34) и статистически значимым (χ 2 1 = 134,5, P <0,001). Когда цифровые изображения были изменены, у оценщиков была тенденция ставить более высокий цитологический диагноз (рис. 1, A и B). Измененные изображения, содержащие атипичные плоскоклеточные клетки неопределенного значения, часто гипердиагностировались как дисплазия (38 ответов) и даже диагностировались как карцинома в 2 случаях.Кроме того, 1 цифровое изображение низкодифференцированного плоскоклеточного интраэпителиального поражения было интерпретировано индивидуумом как представляющее собой карциному после манипуляции. Изменение изображения также привело к тому, что цитологи назвали обработанное изображение отрицательным в 25 ответах (рис. 2, A и B). Для сравнения, дубликаты изображений, которые не подвергались каким-либо глобальным корректировкам, редко диагностировались как атипичные или дисплазии и редко приводили к недооценке.

    Таблица 2.

    Корреляция пар измененных и неизмененных изображений*

    Таблица 3. 

    Корреляция для пар неизмененных повторяющихся изображений*

    Рисунок 1.

    Эта пара изображений демонстрирует пример неизмененного (исходного) захваченного цифрового изображения (A) и его измененной (обработанной) версии (B). Все красно-зелено-синие цвета были увеличены в обработанном изображении с синим> зеленым> красным.Контраст и яркость не изменились. Затем изображение было повернуто на 90 градусов по часовой стрелке. Эта конкретная пара изображений показала плохую корреляцию в исследовании (κ <0,15), при этом большинство оценщиков (73%) назвали обработанное изображение плоскоклеточным внутриэпителиальным поражением высокой степени по сравнению с исходным изображением, которое было широко диагностировано как отрицательное (окраска по Папаниколау, исходное увеличение ×600). Рисунок 2.  Эта пара изображений показала плохую корреляцию в исследовании (κ < 0,02), при этом большинство оценщиков (64%) недооценивали измененное изображение (A) как отрицательное по сравнению с исходным изображением (B), показывающим атипичные плоскоклеточные клетки неопределенного значения.Красно-зелено-синий цвет был изменен: красный полностью удален, а синий немного увеличен. Контрастность и яркость не менялись, изображение было повернуто на 90 градусов по часовой стрелке (окраска по Папаниколау, исходное увеличение ×600).

    Рисунок 1.

    Эта пара изображений демонстрирует пример неизмененного (исходного) захваченного цифрового изображения (A) и его измененной (обработанной) версии (B). Все красно-зелено-синие цвета были увеличены в обработанном изображении с синим> зеленым> красным.Контраст и яркость не изменились. Затем изображение было повернуто на 90 градусов по часовой стрелке. Эта конкретная пара изображений показала плохую корреляцию в исследовании (κ <0,15), при этом большинство оценщиков (73%) назвали обработанное изображение плоскоклеточным внутриэпителиальным поражением высокой степени по сравнению с исходным изображением, которое было широко диагностировано как отрицательное (окраска по Папаниколау, исходное увеличение ×600). Рисунок 2.  Эта пара изображений показала плохую корреляцию в исследовании (κ < 0,02), при этом большинство оценщиков (64%) недооценивали измененное изображение (A) как отрицательное по сравнению с исходным изображением (B), показывающим атипичные плоскоклеточные клетки неопределенного значения.Красно-зелено-синий цвет был изменен: красный полностью удален, а синий немного увеличен. Контрастность и яркость не менялись, изображение было повернуто на 90 градусов по часовой стрелке (окраска по Папаниколау, исходное увеличение ×600).

    Не было выявлено существенной разницы в степени согласия в интерпретации пар слайдов при сравнении цитотехнологов и цитопатологов (χ 2 1 = 0.332, Р = 0,56; Н = 1,0). κ для измененных изображений был плохим для обеих групп; 0,18 для цитотехнологов и 0,25 для цитопатологов. Индивидуальные измененные изображения не отличались значительно (χ 2 1 = 7,349, P = 0,39; H = 1,0). Согласие (κ) было плохим для всех изображений и колебалось от 0,01 до 0,3. Взвешенная κ мера согласия каждого цитотехнолога или цитопатолога с группой экспертов варьировалась от 0,04 (плохо) до 0,62 (хорошо). Согласие с экспертами в целом было лучше для измененных цифровых изображений, чем для неизмененных.

    Цифровые изображения стали неотъемлемым компонентом современной практики патологии и образования. Их применение в области цитопатологии включает телецитологию, автоматический скрининг, обучение, обучение и сертификацию, исследования и публикации. Они представляют собой неотъемлемый компонент веб-страниц по цитопатологии, к которым можно получить доступ через веб-браузер в Интернете, и они обещают будущие проверки квалификации.В частности, телецитология — это практика цитологии на расстоянии с использованием телекоммуникаций для передачи цифровых изображений. При этом могут использоваться статические изображения (например, захваченные поля зрения), динамические изображения или изображения в реальном времени (полученные с помощью интерактивного или дистанционно управляемого предметного столика роботизированного микроскопа) или виртуальные (все слайды) изображения. Несколько исследований подтвердили использование телецитологии в диагностических, консультационных и образовательных целях. .Эти компьютерные системы скрининга основаны на сканировании полей зрения с высоким разрешением выбранных изображений в сочетании с алгоритмами визуализации.

    Кроме того, было показано, что методы виртуальной микроскопии эффективны для проведения стандартизированных квалификационных тестов в цитологии.5 В этом случае визуализированный (отсканированный или оцифрованный) весь слайд может содержать более 3000 изображений с высоким увеличением, которые были объединены (мозаичные). вместе. В качестве дополнительного примера их применения в цитопатологии веб-атлас системы Bethesda Национального института рака содержит более 300 цифровых изображений.Подмножество этих изображений было использовано для веб-проекта Bethesda Interobserver Reproducibility Project, в котором участвовало более 500 участников, предоставляющих независимые интерпретации онлайн. картинки.

    Это исследование продемонстрировало, как глобальные манипуляции с цифровым изображением цитологии могут существенно повлиять на его морфологическую интерпретацию.Такие изменения могут привести как к диагностической недооценке, так и к чрезмерной интерпретации как цитотехнологами, так и цитопатологами. Это вызывает наибольшее беспокойство, поскольку цифровые изображения все чаще используются в области цитопатологии. Мы были заинтригованы, узнав, что характеристики наших измененных цифровых изображений при экспертной оценке в целом были лучше, чем у неизмененных. Мы подозреваем, что манипулирование несколькими случаями могло устранить субъективность, часто связанную с цитологической интерпретацией.Например, когда ядра в плоскоклеточных клетках, которые попадают в диагностическую категорию атипичных плоскоклеточных клеток, не могут исключить плоскоклеточное внутриэпителиальное поражение высокой степени, усилены, чтобы сделать их более гиперхромными, цитологам может быть легче согласиться с тем, что такие клетки появляются диспластический. В центре внимания этого исследования не было точного определения того, какой тип изменения или сколько манипуляций с цифровым изображением необходимо, чтобы повлиять на его интерпретацию. Тем не менее, интересно изучить типы изменений, которые мы выполнили, и их влияние.Все изображения подвергались произвольной настройке уровней красного, зеленого и синего (для красного диапазон составлял от -100 до 85, для зеленого — от 0 до 95, для синего — от -40 до 173). Кроме того, у половины изображений также была изменена яркость (диапазон от -20 до 35), а также скорректирована контрастность (диапазон от -30 до 38). Таким образом, манипуляции с изображениями были в значительной степени многофакторными. Инструмент уровней в Adobe Photoshop позволял одновременно регулировать несколько аспектов этих цифровых изображений (тоновый диапазон и цветовой баланс). Стандарты, касающиеся использования цифровых изображений в цитопатологии, необходимы, чтобы избежать таких потенциальных ошибочных диагнозов.Эта стандартизация должна широко применяться ко всему процессу обработки изображений (захват, сохранение, редактирование и совместное использование), как рекомендовано в этом и других исследованиях24 

    .

    Цифровые изображения потенциально могут быть изменены во время сохранения (например, при сжатии) или при совместном использовании (например, при просмотре или отображении на мониторе). Хотя в одном из предыдущих исследований не было замечено отрицательного эффекта сжатия изображения JPEG в отношении точности и достоверности диагноза статической телепатологии25, свойства монитора могут различаться, что сильно влияет на отображение цифровых изображений.Доступно программное обеспечение для редактирования изображений, позволяющее выполнять обработку (манипуляцию) цифровых изображений после захвата. Простые изменения цифрового изображения могут включать в себя масштабирование, изменение размера, поворот, отражение, обрезку и повышение резкости, а также настройку яркости, контрастности, гаммы и цветового баланса. Многие из этих корректировок можно выполнить с помощью программных уровней, кривых, гистограмм и тональных карт. Вращение изображений может привести к их искажению и потребовать последующей обрезки. Обрезка также может удалить ненужные части изображения.При этом редакторы изображений можно использовать для улучшения композиции цифровых изображений. Изображения также можно изменять, добавляя аннотации (например, текст, стрелки, измерения).

    Цифровая обработка изображений обычно используется в области цифровой рентгенографии. В цифровой рентгенографии предварительная обработка (для исправления системных аномалий, таких как битые пиксели или темный шум), обработка (манипуляции с исходными данными, такие как нерезкая маска, сдвиг и растяжение гистограммы) и постобработка (манипуляции с окончательным видом рентгенограммы с помощью конечный пользователь) цифровых рентгенограмм.26 В одном исследовании исследователи показали, что градация диабетической ретинопатии на основе оцифрованных изображений сетчатки была улучшена с помощью программных манипуляций или обработки изображений. 27 Аналогичным образом в судебно-медицинской литературе сообщалось о цифровом улучшении фотографий некачественных укусов. 28

    В предлагаемых рекомендациях по цифровой визуализации для патологии поддерживаются глобальные, а не фокальные корректировки цифровых изображений.17 Глобальные корректировки включают изменения всего изображения (например, изменение оттенка, контраста, яркости и цвета). Фокусные корректировки выполняются только для определенных областей изображения (например, удаление объекта, представленного на изображении). Что касается правовых соображений, глобальное улучшение цифрового изображения считается гораздо более приемлемым, чем корректировка фокуса.29 Хотя легко понять, как корректировка фокуса может исказить данные, настоящее исследование показывает, что глобальные корректировки могут также негативно изменить цифровые данные. , что приводит к искажению исходной информации.Например, глобальные изменения цвета фона для выделения определенных ячеек могут подавить диатез диагностического фона на слайде. Альтернативно, ядерную дисплазию с гиперхромазией можно скорректировать, изменив оттенок, яркость и контрастность цифрового изображения. Требуется дальнейшее исследование того, какие конкретные функции должны регулироваться наиболее строго.

    В заключение, это исследование демонстрирует, что манипулирование цифровым изображением, независимо от сфотографированного цитологического материала, существенно влияет на его интерпретацию как цитотехнологами, так и цитопатологами.Это говорит о том, что при использовании цифровых цитологических изображений необходимо соблюдать осторожность, чтобы гарантировать, что их изменение не повлияет на диагностику. Ясно, что весь процесс визуализации должен быть стандартизирован, если цифровые изображения должны быть полностью приняты в области патологии.

    Что происходит с образцами биопсии и цитологии?

    Стандартные процедуры и методы используются для обработки почти всех типов образцов биопсии. Эти процедуры являются обычными способами подготовки образца в лаборатории.Другие процедуры, описанные ниже, также могут быть выполнены на определенных типах образцов (таких как лимфатические узлы и костный мозг).

    Как обычно обрабатываются биопсии

    После удаления биоптат помещают в емкость со смесью воды и формальдегида (формалина) или какой-либо другой жидкостью для его сохранения. Контейнер маркируется именем пациента и другой идентифицирующей информацией (например, номером больницы и датой рождения) и местом биопсии (точное место на теле, откуда она была взята).Затем его отправляют в патологоанатомическую лабораторию. Затем патологоанатом или обученный лаборант смотрит на образец без микроскопа. Это называется общий осмотр . (В медицине грубое означает увиденное без микроскопа .) Это делается для того, чтобы записать то, что видно, просто глядя, измеряя или осязая ткань. Общее исследование включает размер образца ткани, цвет, консистенцию и другие характеристики. Сотрудники лаборатории могут даже сфотографировать образец как часть протокола.Общий осмотр важен, так как патологоанатом может увидеть признаки, указывающие на рак. Это также помогает патологоанатому решить, какие части большой биопсии наиболее важны для изучения под микроскопом.

    Для небольших биопсий, таких как пункционная биопсия или пункционная биопсия, весь образец обычно рассматривается под микроскопом. Ткань помещается в небольшие контейнеры, называемые кассетами . Кассеты надежно удерживают ткань во время ее обработки. После обработки, которая может занять несколько часов (но обычно делается в течение ночи), образец ткани помещается в форму с горячим парафином.Воск охлаждается, образуя твердый блок, который защищает ткань.

    Этот парафиновый блок с внедренной тканью разрезается на очень тонкие срезы с помощью инструмента, называемого микротомом . Эти тонкие срезы образца помещают на предметное стекло и погружают в серию пятен или красителей, чтобы изменить цвет ткани. Благодаря цвету клетки легче увидеть под микроскопом. Для большинства образцов биопсии эта рутинная обработка — это все, что необходимо. В этот момент (обычно на следующий день после биопсии) патологоанатом смотрит на ткань под микроскопом.Такой взгляд на твердые образцы называется гистологией , которая изучает структуру клеток и тканей.

    Специальная обработка биопсии: замороженный срез (интраоперационная консультация)

    Иногда информация об образце ткани необходима во время операции для принятия немедленных решений. Если хирург не может ждать день или больше, который требуется для обычной обработки и гистологии, он или она запросит интраоперационную (во время операции) консультацию по патологии.Его часто называют экзаменом с фиксированным разделом .

    Как делается замороженный раздел?

    После завершения исследования замороженных срезов свежие ткани отправляются из операционной прямо к патологоанатому. Поскольку пациент часто находится под общей анестезией (усыпляют лекарствами), важно быстро осмотреть ткань. Обычно это занимает от 10 до 20 минут. Патолог тщательно исследует свежую ткань, чтобы решить, какую ее часть следует рассматривать под микроскопом.Вместо того, чтобы обрабатывать ткань восковыми блоками, ткань быстро замораживают в специальном растворе, который образует вокруг ткани что-то похожее на кубик льда. Затем на специальном станке делают тонкие срезы (нарезают), быстро окрашивают (погружают в ряд красителей) и рассматривают под микроскопом. Замороженные срезы обычно не показывают особенности ткани так четко, как срезы тканей, залитые воском, но они достаточно хороши, чтобы помочь хирургу принять решение во время операции.

    Когда делается замороженный раздел?

    Чтобы выяснить, является ли опухоль раковой: Иногда тип необходимой операции зависит от того, является ли опухоль раковой (злокачественной).Например, простого удаления опухоли может быть достаточно для лечения опухоли, которая не является раком (доброкачественная), но может потребоваться удаление большего количества ткани и/или лимфатических узлов, если опухоль является раком. В таком случае хирург может отправить опухоль на исследование замороженных срезов. Это часто может дать достаточно информации, чтобы помочь хирургу решить, какой тип операции лучше всего подходит для пациента. Однако иногда замороженный срез не дает определенного ответа, и для получения четкого ответа кусок ткани должен пройти рутинную или даже специальную обработку.Когда это происходит, хирург обычно останавливает операцию и закрывает операционный разрез (разрез). После получения результатов может потребоваться еще одна операция.

    Чтобы убедиться, что весь рак удален: Хирургическое лечение рака часто представляет собой сложный баланс между удалением достаточного количества ткани, чтобы почувствовать, что рак полностью удален, и сохранением достаточного количества нормальной ткани, чтобы ограничить повреждение. Если хирург обеспокоен тем, что опухоль не была удалена полностью, срез края удаленной ткани (называемый краем ) отправляется на диагностику замороженных срезов.Если на краю нет раковых клеток, дополнительная операция обычно не требуется. Но если обнаруживаются раковые клетки, можно предположить, что некоторые из них все еще находятся в тканях, оставшихся у пациента. Если это происходит, хирург обычно удаляет больше ткани, чтобы попытаться получить все раковые клетки и уменьшить вероятность рецидива рака. Если невозможно удалить больше ткани, могут быть другие варианты, такие как облучение для уничтожения оставшихся раковых клеток.

    Процесс хирургии Мооса (хирургия под микроскопом)

    Эта процедура используется для лечения некоторых видов рака кожи.В операции Мооса хирург удаляет тонкий слой кожи, в который могла проникнуть опухоль, а затем проверяет образец под микроскопом. Если обнаруживаются раковые клетки, удаляются дополнительные слои и проверяются до тех пор, пока в образцах кожи не будут обнаружены раковые клетки. Этот процесс идет медленно, но это означает, что можно сохранить больше нормальной кожи возле опухоли. Хирургия Моса — это узкоспециализированная техника, которую должны использовать только врачи, прошедшие специальную подготовку.

    Как обрабатываются цитологические образцы

    Способ обработки цитологических образцов зависит от типа образца.Некоторые образцы наносятся на предметные стекла микроскопа врачом, который получает образец. Эти слайды, которые называются мазками , затем отправляются в цитологическую лабораторию, где их погружают в серию пятен (цветных красителей), очень похожих на те, которые используются для образцов биопсии.

    Другие образцы, такие как биологические жидкости, не могут быть легко помещены на предметное стекло микроскопа, поскольку они слишком разбавлены (в большом объеме жидкости слишком мало клеток). Процедуры используются для концентрации этих клеток на предметном стекле перед их окрашиванием.

    После обработки и окрашивания образцы исследуют под микроскопом. Аномальные клетки обнаруживаются и отмечаются специальной ручкой. Затем патологоанатом исследует отмеченные клетки, чтобы поставить диагноз.

    Как долго хранятся образцы патологии?

    Федеральный закон под названием CLIA (поправки к усовершенствованию клинических лабораторий) определяет регулирование и сертификацию клинических лабораторий. Чтобы получить аккредитацию CLIA, лаборатории должны хранить человеческие образцы в течение минимального периода времени.Например, CLIA говорит, что лаборатории должны хранить:

    • Предметные мазки для цитологии не менее 5 лет
    • Предметные стекла гистопатологии не менее 10 лет
    • Блоки парафиновые не менее 2 лет

    В некоторых штатах действуют собственные законы, требующие от лабораторий хранить образцы патологии дольше, чем время, указанное в правилах CLIA. В некоторых лабораториях есть правила хранения образцов дольше, чем это требуется по федеральным законам или законам штата.

    Что это значит для вас

    Некоторые люди хотят получить второе мнение о диагнозе, сделанном по их образцу ткани (образцу).Это называется обзором патологии. Это означает, что другой врач осмотрит вашу биопсию и поставит диагноз на основании того, что вы видели.

    Образцы тканей человека не выбрасываются сразу после тестирования. Таким образом, в большинстве случаев, если ткани достаточно, образец можно отправить другому врачу или в лабораторию.

    Иногда хранение образцов в течение более длительного времени может быть полезным и по другим причинам. Например, если у выжившего после рака опухоль развивается через несколько лет после того, как была удалена первая опухоль, врачи захотят узнать, является ли эта новая опухоль возвращающейся старой (рецидив) или совершенно новым раком.

    Часто это можно выяснить, основываясь на расположении двух опухолей и сравнивая гистопатологические препараты обоих образцов. Но иногда также полезны дополнительные тесты (например, иммуногистохимическое окрашивание), которые можно провести с использованием ткани из парафинового блока исходного образца.

    .

    Добавить комментарий

    Ваш адрес email не будет опубликован.