Κατηγοριοποίηση Καρκινικών Ιστών Προστάτη Με Υπολογισμό Χαρακτηριστικών Ενέργειας Υφής Και Αλγόριθμους Ταξινόμησης Υπολογιστικής Μάθησης.

Abstract

O καρκίνος του προστάτη είναι ο πιο συχνός μη δερματικός καρκίνος του Δυτικού κόσμου και η δεύτερη πιο συχνή αιτία θανάτου από κακοήθεια στους άνδρες, μετά από τον καρκίνο του πνεύμονα. Η πιο αξιόπιστη μέθοδος για τη διάγνωση και σταδιοποίηση του προστατικού καρκίνου είναι η μικροσκοπική παρατήρηση ιστών βιοψίας από εξειδικευμένο παθολόγο. Παρόλο που υπάρχουν αρκετά σχήματα διαβάθμισης του καρκίνου του προστάτη, η διαβάθμιση Gleason (Gleason grading) είναι το επικρατέστερο και πιο ευρέως κλινικά χρησιμοποιούμενο προγνωστικό μέτρο για τον καρκίνο του προστάτη. Συνιστά την καλύτερη πρόβλεψη της συμπεριφοράς και της επιθετικότητας του όγκου, δηλαδή της πιθανότητας που έχει να αναπτυχθεί και να μετασταθεί σε σύντομο χρονικό διάστημα. Είναι ένα σχήμα πέντε επιπέδων και βασίζεται στην ιστολογική διαφοροποίηση, δηλαδή στο βαθμό της κακοήθειας και στη διαφορά της από τη φυσιολογική αρχιτεκτονική του αδένα. Η διαβάθμιση κατά Gleason βασίζεται στην οπτική ερμηνεία και παρατήρηση τμημάτων προστατικού ιστού στο μικροσκόπιο και ως αποτέλεσμα εξαρτάται από την εμπειρία και ικανότητα του παθολόγου. Μέσω ετών εκπαίδευσης και εξειδίκευσης, ο παθολόγος αναπτύσσει μία «νοητή βάση δεδομένων» προτύπων. Η κλινική χρησιμότητα αυτών των οπτικών αναλύσεων είναι αξιοσημείωτη, αλλά υπονομεύεται από την υποκειμενικότητά της και την έλλειψη ποσοτικοποίησης. Επιπλέον παρουσιάζει μεγάλη μεταβλητότητα ανάμεσα σε αναγνώσεις διαφορετικών παθολόγων ή ακόμα και σε αναγνώσεις ενός παθολόγου σε διάρκεια χρόνου .Σκοπός της εργασίας αυτής είναι η ανάπτυξη ενός έξυπνου συστήματος για την υποβοήθηση του παθολόγου στην κατηγοριοποίηση ιστών προστατικού καρκίνου κατά Gleason. Το σύστημα αυτό έρχεται να ελαχιστοποιήσει το στοιχείο υποκειμενικότητας και να συνεισφέρει στην ποσοτικοποίηση, στην αύξηση της αντικειμενικότητας και στην επαναληψιμότητα. Η μεθοδολογία που αναπτύχθηκε περιλαμβάνει τεχνικές ανάλυσης υφής σε συνδυασμό με μια διαδικασία υπολογιστικής μάθησης (machine learning). Πιο συγκεκριμένα, αναπτύχθηκε ειδικός αλγόριθμος σε Matlab για τον υπολογισμό των χαρακτηριστικών ενέργειας υφής, που προτάθηκαν από τον Kenneth Ivan Laws. Στη συνέχεια μέσω μιας διαδικασίας υπολογιστικής μάθησης (machine learning) και με τη βοήθεια του ανοιχτού λογισμικού εξόρυξης δεδομένων (data mining) WEKA πραγματοποιήθηκε η κατάταξη των δειγμάτων με βάση αυτά τα χαρακτηριστικά.Η εφαρμογή της μεθοδολογίας που αναπτύχθηκε στα πλαίσια της εργασίας αυτής, στο πρόβλημα της κατηγοριοποίησης εικόνων καρκίνου του προστάτη ανέδειξε τα εξής: Από τους ταξινομητές που δοκιμάστηκαν στο πρόβλημα τριών κλάσεων (Gleason 3, 4 και 5), την καλύτερη συνολική ακρίβεια πέτυχαν οι IBk (k-nearest neighbors classifier) και Naive Bayes (71.88% και 70.83% αντίστοιχα). Στη συνέχεια, για τον ταξινομητή IBk, ο οποίος εμφανίζει την καλύτερη overall accuracy στο σύνολο των 70 χαρακτηριστικών, έγινε επιλογή ενός βέλτιστου υποσυνόλου χαρακτηριστικών. Η μέγιστη συνολική ακρίβεια επιτεύχθηκε με την αφαίρεση 36 χαρακτηριστικών και ήταν 80.21%.