Ανάπτυξη Έξυπνου Συστήματος Για Την Κατηγοριοποίηση Καρκίνου Του Προστάτη Με Χρήση Τεχνικών Ανάλυσης Κατά Haralick

Abstract

O καρκίνος του προστάτη αποτελεί τη δεύτερη πιο συχνή αιτία θανάτου από κακοήθεια στους άνδρες, μετά από τον καρκίνο του πνεύμονα και τον πιο συχνό μη δερματικό καρκίνο του Δυτικού κόσμου. Για την βαθμονόμηση του καρκίνου του προστάτη υπάρχει το σύστημα Gleason, το οποίο, αποτελεί ένα πολύ σημαντικό εργαλείο για την ταξινόμηση ως προς το στάδιο εξέλιξης και το βαθμό του καρκίνου του προστάτη. Το σύστημα αυτό, αποτιμά πόσο αποτελεσματικά μπορούν τα καρκινικά κύτταρα να φτιάχνουν δομές και να αποτελούν ένα ενιαίο σύνολο μεταξύ τους, και ακολούθως συγκρίνει αυτές τις δομές ως προς την ομοιότητά τους με τις δομές που δημιουργούν τα υγιή κύτταρα. Τα επίπεδα τιμών του συστήματος Gleason είναι πέντε και όσο αυξάνεται το επίπεδο της τιμής τόσο πιο επιθετικός χαρακτηρίζεται ο καρκίνος.Σύμφωνα με την ισχύουσα κατάσταση στον τομέα της διάγνωσης της ασθένειας ο ιατρός στηρίζεται στο ιστορικό, την κλινική εικόνα του ασθενούς και στην οπτική μικροσκοπική εξέταση των τομών του προστάτη. Όμως, η διαδικασία αυτή χαρακτηρίζεται από την παράμετρο της υποκειμενικότητας, εφόσον κάθε ιατρός έχει διαμορφώσει μια «νοητή βάσης δεδομένων» προτύπων (mental database) ανάλογα με την εκπαίδευσή του, την ειδίκευσή του και την εμπειρία του (intrapathologist variability). Αρκετές φορές μάλιστα παρατηρείται και διαφορετική ερμηνεία παρόμοιου περιστατικού από τον ίδιο τον ιατρό με την πάροδο του χρόνου (interpathologist variability), γεγονός που μπορεί να οφείλεται είτε στην απόκτηση μεγαλύτερης εμπειρίας από τον ιατρό είτε σε ψυχολογικούς λόγους κατά την διάρκεια της εξέτασης του περιστατικού.Το αντικείμενο της παρούσας εργασίας είναι η δημιουργία ενός έξυπνου συστήματος για την υποβοήθηση των ιατρών στο πρόβλημα της κατηγοριοποίησης καρκινικών προστατικών ιστών σε κλάσεις κατά Gleason. Η δημιουργία του έξυπνου συστήματος βασίστηκε στο συνδυασμό τεχνικών ανάλυσης υφής και διαδικασιών υπολογιστικής μάθησης (machine learning). Συγκεκριμένα αναπτύχθηκε ειδικός αλγόριθμος σε Matlab με σκοπό τον υπολογισμό των Πινάκων Συνεμφάνισης Επιπέδου Γκρι και των χαρακτηριστικών υφής Haralick. Στη συνέχεια, τα χαρακτηριστικά τα οποία υπολογίστηκαν, χρησιμοποιήθηκαν στην κατηγοριοποίηση των εικόνων από προστατικές τομές σε κλάσεις κατά Gleason. Για το σκοπό αυτό μέσω ενός ανοιχτού λογισμικού υπολογιστικής μάθησης (WEKA, Waikato Environment for Knowledge Analysis) εκτιμήθηκε η απόδοση ορισμένων αλγόριθμων ταξινόμησης (classification algorithms) στο πρόβλημα της ταξινόμησης των ιστών ανάμεσα στις τρεις κλάσεις Gleason 3, 4 και 5. Ο καταλληλότερος ταξινομητής (classifier) ο οποίος έχει το υψηλότερο ποσοστό overall accuracy για το συγκεκριμένο πρόβλημα είναι ο Multiclass Classifier με ποσοστό 81,25%. Εν συνεχεία, για να αυξηθεί το ποσοστό αυτό αλλά και για να μειωθεί το υπολογιστικό κόστος πραγματοποιείται επιλογή του βέλτιστου υποσυνόλου χαρακτηριστικών. Επομένως, απομακρύνοντας ένα - ένα τα χαρακτηριστικά με την μικρότερη συνεισφορά στο overall accuracy, βελτιώθηκε σημαντικά η τιμή αυτής της παραμέτρου και έφτασε για τον ταξινομητή Multiclass Classifier το ποσοστό του 87,5%.