Проекты / Prostate Cancer Detection & Gleason Grading
Prostate Cancer Detection & Gleason Grading
Модель YOLOv5, которая находит очаги рака на снимках биопсии простаты и оценивает их по шкале Глисона — около 0,1 с на снимок.
Программа диагностики: исходный снимок, найденные участки и заключение
Моя дипломная работа. Патолог определяет степень рака простаты, глядя на ткань под микроскопом, и отличить Grade 3 от Grade 4 сложно даже специалистам. Я сделал детектор, который отмечает подозрительные участки на гистологическом снимке и присваивает каждому класс — Benign, Grade 3, Grade 4 или Grade 5 — с уровнем уверенности, как второе мнение для врача.
97% на обучающей выборке
Самая сложная пара
Решение, принимаемое на глаз
Степень по Глисону определяет, как будут лечить пациента. Её ставит патолог, просматривая стёкла, — это медленно и субъективно: два специалиста могут разойтись во мнении по одному образцу, особенно между Grade 3 (железы ещё сформированы) и Grade 4 (железы слиты).
Как это сделано
- Данные. 500+ снимков биопсии высокого разрешения; каждый участок размечен одним из четырёх классов: Benign, Grade 3, Grade 4, Grade 5.
- Подготовка. Снимки приведены к 640×640 и расширены мозаичной и другими аугментациями до 1 776 обучающих изображений.
- Модель. YOLOv5m — за один проход она и находит участок, и классифицирует его. Врачу нужно видеть, где именно, а не просто да/нет.
- Проверка. Два тестовых набора: 50 снимков, похожих на обучающие, и второй набор из совершенно новых снимков.
- Приложение. Десктоп-программа на Tkinter: загрузил снимок — получил отмеченные участки с классом, уверенностью и короткое заключение.
Результат
На снимках, которых модель раньше не видела, точность составила 89%. Здоровую ткань от Grade 5 она отличает почти безошибочно, а пару Grade 3 и Grade 4, которая сложнее всего для патологов, — с точностью выше 85%. Один снимок обрабатывается примерно за 0,1 секунды.
Работа защищена в Ферганском государственном техническом университете и получила грант сообщества Silk Road Health Data Science.
Что бы я сделал иначе
Разрыв между 97% на обучающих снимках и 89% на новых — самая честная цифра этого проекта: часть обучающей выборки модель просто запомнила. Сегодня я бы до более долгого обучения собрал стёкла из большего числа лабораторий и сканеров, а результат показывал бы сначала матрицей ошибок, а не одной цифрой точности.