Nizomiddin Xalilov

Проекты / Prostate Cancer Detection & Gleason Grading

2023–2024 · Fergana State Technical University · graduation thesis Исследование

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.

Живая демонстрация · Как это работает

    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.

    Точность на новых снимках
    89%

    97% на обучающей выборке

    Grade 3 против Grade 4
    85%+

    Самая сложная пара

    Время на снимок
    ~0.1 s
    Задача

    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).

    Решения и компромиссы

    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

    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

    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.