Биотехническая система автоматизированного определения амплификации гена HER2 по FISH-изображениям при дифференциальной диагностике рака молочной железы тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Махов Денис Сергеевич

• Махов Денис Сергеевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Махов Денис Сергеевич

ВВЕДЕНИЕ

Глава 1. ЗАДАЧА АВТОМАТИЗАЦИИ ОПРЕДЕЛЕНИЯ АМПЛИФИКАЦИИ ГЕНА HER2 В FISH-ИССЛЕДОВАНИИ для дифференциальной ДИАГНОСТИКИ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ

1.1. Эпидемиология рака молочной железы

1.2. Классификация рака молочной железы

1.2.1. Гистологическая классификация рака молочной железы

1.2.2. Молекулярно-генетическая классификация рака молочной

железы

1.3. Определение HER2-статуса рака молочной железы

1.3.1. Иммуногистохимическое исследование

1.3.2. Исследование методом флуоресцентной in situ гибридизации

1.4. Автоматизация определения амплификации гена HER2

Выводы по главе

Глава 2. ОСОБЕННОСТИ АНАЛИЗА FISH-ИЗОБРАЖЕНИЙ

ДЛЯ ОПРЕДЕЛЕНИЯ АМПЛИФИКАЦИИ ГЕНА HER2

ПРИ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ РАКА

МОЛОЧНОЙ ЖЕЛЕЗЫ

2.1. Артефакты в цифровой флуоресцентной микроскопии

2.2. Регистрация FISH-изображений

2.2.1. Эффект флуоресценции и отличительные

особенности флуоресцентного широкопольного микроскопа

Стр.

2.2.2. Процесс формирования флуоресцентного изображения в цифровом флуоресцентном широкопольном микроскопе

2.2.3. Математическая модель преобразования света в

цифровом флуоресцентном широкопольном микроскопе

2.2.4. Вводимые допущения математической модели

2.3. Аппаратные артефакты

2.3.1. Перекрестные помехи (cross-talk)

2.3.2. Теоретическая оценка взаимных помех

2.3.3. Экспериментальная оценка перекрестной помехи

2.3.4. Модель шума на флуоресцентных изображениях

2.4. Биологические артефакты

2.4.1. Методика приготовления препарата для определения амплификации гена HER2 методом FISH

2.4.2. Артефакты пробоподготовки на FISH-изображениях

2.4.3. Устранение биологических артефактов

Выводы по главе

Глава 3. РАЗРАБОТКА БИОТЕХНИЧЕСКОЙ

СИСТЕМЫ АВТОМАТИЗИРОВАННОГО ОПРЕДЕЛЕНИЯ АМПЛИФИКАЦИИ ГЕНА HER2 ПО FISH-ИЗОБРАЖЕНИЯМ при дифференцильной ДИАГНОСТИКЕ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ

3.1. Структура и назначение биотехнической системы

3.2. Метрики качества разрабатываемой биотехнической системы

3.3. Сбор баз данных для исследований

3.4. Разработка базового алгоритма сегментации ядер

3.4.1. Применение методов машинного обучения и метрики качества

в задаче сегментации ядер на FISH-изображениях

3.4.2. Анализ признаков для решения задачи сегментации ядер

Стр.

3.4.3. Результаты сравнения базовых алгоритмов сегментации ядер

3.5. Разработка базового алгоритма детектирования сигналов

3.6. Работа базовых алгоритмов в условиях наличия артефактов на Р18Ы-изображениях

3.7. Коррекция фоновой флуоресценции в задачах сегментации

ядер и сигналов на Б18Ы-изображениях

3.8. Аугментация данных

Выводы по главе

Глава 4. РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО

АЛГОРИТМА ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ ПРИ ОПРЕДЕЛЕНИИ АМПЛИФИКАЦИИ ГЕНА ЫЕЯ2 ПО Б^Ы-ИЗОБРАЖЕНИЯМ

4.1. Особенности применения рекомендаций для ручного анализа

в задаче автоматизированного определения амплификации гена ЫЕЯ2

4.1.1. Клинические рекомендации для ручного анализа

4.1.2. Адаптация клинических рекомендаций для ручного анализа

в условиях автоматизации

4.1.3. Оптимизация порогового значения соотношения числа сигналов

для формирования автоматизированного заключения

4.1.4. Использование мета-классификатора и признаков интенсивностей

4.2. Разработка специализированного программного обеспечения

Выводы по главе

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ

ВВОДИМЫЕ СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ

ААППВР - автоматизированный алгоритм поддержки принятия

врачебных решений

БД - база данных

БО - биообъект

БТС - биотехническая система

ВОЗ - Всемирная организация здравоохранения

ДНК - дезоксирибонуклеиновая кислота

ДС - диагностическая специфичность

ДЧ - диагностическая чувствительность

ДЭ - диагностическая эффективность

ИГХ - иммуногистохимический

ЛДА - линейный дискриминантный анализ

МГК - метод главных компонент

РМЖ - рак молочной железы

СКО - среднеквадратичное отклонение

СНС - сверточная нейронная сеть

СПО - специализированное программное обеспечение

ФРТ - функция рассеяния точки

ЦФШМ - цифровой флуоресцентный широкопольный микроскоп

BRF - балансированный случайный лес

DCIS - протоковая карцинома in situ

ER - рецепторы эстрогенов

FISH - флуоресцентная in situ гибридизация

HER2 - рецептор эпидермального фактора роста, тип

IDC - инвазивная протоковая карцинома

ISH - in situ гибридизация

LCIS - дольковая карцинома in situ

PR - рецепторы прогестерона

Введение диссертации (часть автореферата) на тему «Биотехническая система автоматизированного определения амплификации гена HER2 по FISH-изображениям при дифференциальной диагностике рака молочной железы»

ВВЕДЕНИЕ

Актуальность темы. Каждый год число новых случаев онкологических заболеваний неуклонно растёт [1]. У женщин рак молочной железы (РМЖ) является наиболее распространённым типом онкологии и занимает лидирующие позиции в структуре заболеваемости и смертности в России и в мире [1, 2]. Для снижения смертности от РМЖ необходимо повышать эффективность методов ранней диагностики и осуществлять регулярный скрининг населения [3]. При установлении наличия РМЖ важно определить его гистологический и молекулярно-генетический подтип, то есть провести дифференциальную диагностику. Результаты дифференциальной диагностики позволяют подобрать наиболее эффективную тактику лечения [4].

Гистологическая характеристика РМЖ включает определение типа опухоли на основе морфологии, установление наличия инвазии и оценку степени дифференцировки [5]. В клинической практике гетерогенность РМЖ на молекулярно-генетическом уровне устанавливается с помощью суррогатной иммуногистохимической классификации на основе экспрессии рецепторов эстрогенов и прогестерона (ЕЯ и РЯ, соответственно), индекса пролиферативной активности Кл-67 и ЫЕЯ2-статуса [6].

ЫЕЯ2-положительные опухоли составляют примерно 15 % всех случаев РМЖ. Исторически они ассоциируются с агрессивным течением: как правило, такие опухоли низкодифференцированы, часто лишены ЕЯ и РЯ экспрессии и в

о о о о

отсутствие таргетной терапии - характеризуются низкой общей и безрецидивной выживаемостью [7, 8]. Введение анти-ЫЕЯ2 терапии, в частности трастузумаба, кардинально изменило прогноз для этого подтипа, продемонстрировав высокую эффективность и значительно повысив выживаемость пациентов [9].

Для определения ЫЕЯ2-статуса опухоли первично выполняют иммуногистохимическое (ИГХ) исследование с полуколичественной оценкой

степени мембранного окрашивания [10]. При неопределённом результате ИГХ-исследования (оценка 2+) назначается исследование методом флуоресцентной in situ гибридизации (FISH) для определения амплификации гена HER2 [10]. В рамках FISH-исследования выполняют регистрацию цифровых изображений с использованием флуоресцентного микроскопа и последующий визуальный анализ с подсчетом сигналов от меченных флуорофорами участков хромосом. На регистрируемых псевдоцветных изображениях области ядер визуализируются синим цветом (флуорофор DAPI), а внутри ядер присутствуют красные сигналы от участков гена HER2 (флуорофор TexasRed) и зеленые сигналы от участков CEP17 (флуорофор FITC). Далее рассчитывают среднее отношение числа копий гена HER2 к числу участков центромер CEP17 не менее, чем в 20 ядрах опухолевых клеток. Наличие амплификации устанавливается при соотношении HER2/CEP17 больше или равном 2,0 и среднем числе копий гена HER2 больше или равном 4 на ядро; при HER2/CEP17 менее 2,0 и менее 4 копий гена HER2 устанавливается отсутствие амплификации, а пограничные случаи требуют проведения повторного исследования [10].

При подсчёте сигналов и последующем определении амплификации, необходимо придерживаться инструкций производителя реагентов, локальных или международных рекомендаций [10]. Рекомендации включают в себя указания по выбору анализируемых ядер, учету кластеризации сигналов и гетерогенности их распределения по препарату, однако они не содержат строго формализованных критериев выбора репрезентативных областей, что оставляет пространство для субъективной интерпретации и делает достоверность результатов зависимой от квалификации патолога [11].

Визуальный анализ FISH-изображений осложняется наличием аппаратных и биологических артефактов, некоторые из которых могут быть частично или полностью устранены на этапе постобработки. К биологическим артефактам относятся аутофлуоресценция цитоплазмы, неспецифическое связывание зондов, недоотмытые зонды, а также некроз ядер и некорректная гибридизация; к

аппаратным - перекрестные помехи (cross-talk), оптические и спектральные искажения, обусловленные оптическими элементами микроскопа, а также аналоговый и цифровой шум в регистрирующем тракте [11]. Наличие таких артефактов делает подсчёт сигналов трудоёмким, а итоговое определение амплификации гена HER2 зависящим как от квалификации патолога, так и от практики приготовления препаратов и используемого оборудования в конкретной лаборатории.

Для повышения объективности и воспроизводимости результатов FISH-исследований требуется автоматизация анализа [12, 13]. В ряде работ предложены алгоритмы автоматизации FISH-анализа как для конечного определения амплификации, так и отдельных этапов, однако зачастую используются закрытые наборы данных, а сами модели недоступны для внешней валидации. Качество работы автоматизированных систем определения амплификации гена HER2 при FISH-исследовании РМЖ обычно оценивают по степени согласованности их результатов с заключениями патолога. Однако согласованность заключений даже между патологами не идеальна и зависит от качества изображений: для препаратов без артефактов уровень согласованности достигает каппы Коэна 0,655, тогда как при наличии артефактов степень согласованности падает до 0,450 [14]. Вопрос системного устранения артефактов в современной литературе рассматривается лишь косвенно и остаётся актуальным направлением исследований. Соответственно, разработка и верификация метода автоматизированного анализа FISH-изображений для определения амплификации гена HER2 с учётом аппаратных и биологических артефактов представляет собой важную научно-практическую задачу.

Целью исследования является разработка метода автоматизированного анализа цифровых изображений для определения амплификации гена HER2 при FISH-исследовании для дифференциальной диагностики РМЖ с учетом аппаратных и биологических артефактов.

Для достижения поставленной цели в работе были сформулированы и решены следующие задачи:

1. Анализ особенностей формирования флуоресцентного изображения при FISH-исследовании с учетом аппаратных и биологических артефактов;

2. Обзор существующих решений в области автоматизации FISH-анализа с целью выбора базовых алгоритмов для сегментации ядер и детектирования сигналов;

3. Разработка методов прямого или косвенного устранения аппаратных и биологических артефактов для повышения качества работы базовых алгоритмов;

4. Разработка автоматизированного алгоритма поддержки принятия врачебных решений по определению амплификации гена HER2 методом FISH по выделенным бинарным маскам ядер и сигналов;

5. Разработка и апробация экспериментального образца биотехнической системы для автоматизированного определения амплификации гена HER2 по FISH-изображениям для дифференциальной диагностики РМЖ.

Научная новизна работы:

1. Показано, что при коррекции фоновой флуоресценции на FISH-изображениях с использованием аппроксимации полиномиальной поверхностью наибольший контраст Вебера для ядер достигается при использовании первой степени полинома, в отличие от широко применяемой для устранения данного артефакта аппроксимации с использованием полинома третьей степени.

2. Показано, что автоматизированное определение амплификации гена HER2 возможно на основе отношения площадей флуоресцирующих областей HER2/CEP17 вместо отношения числа соответствующих сигналов, подсчитываемого в соответствии с клиническими рекомендациями ASCO/CAP и Dako при ручном анализе. При этом необходима корректировка порогового значения, используемого для формирования автоматизированного заключения о наличии амплификации.

3. Показано, что использование стекинг-подхода к автоматизированному определению амплификации гена ЫЕЯ2, при котором первичное автоматизированное заключение, формируемое пороговым методом, и признаки распределения числа, площадей и интенсивности выделенных областей ядер и сигналов объединяются на входе мета-классификатора, позволяет повысить качество по сравнению с использованием только первичного автоматизированного заключения.

Основные научные положения, выносимые на защиту:

1. Использование алгоритма коррекции фона на базе аппроксимации полиномиальной поверхностью первой степени приводит к максимизации контраста Вебера ядер относительно фона и, соответственно, к повышению коэффициента Дайса с 0,67 до 0,85 для автоматизированного алгоритма сегментации ядер. Дополнительно установлено, что применение данной коррекции также приводит к повышению коэффициента Дайса с 0,39 до 0,52 и с 0,33 до 0,40 для автоматизированной сегментации сигналов СЕР17 и ЫЕЯ2, соответственно.

2. Использование взвешенного среднего отношения площадей флуоресцирующих областей ЫЕЯ2/СЕР17 для формирования первичного автоматизированного заключения об амплификации гена ЫЕЯ2 позволяет достичь диагностических чувствительности, специфичности и эффективности (ДЧ, ДС и ДЭ, соответственно) и каппы Коэна 0,57, 0,87, 0,73 и 0,45, соответственно.

3. Было установлено, что при автоматизированном определении амплификации гена ЫЕЯ2 путем сравнения взвешенного среднего отношения площадей флуоресцирующих областей ЫЕЯ2/СЕР17 с пороговым значением, последнее должно быть скорректировано. На исследованной выборке изменение порогового значения со значения 2,00, используемого в клинических рекомендациях для ручного анализа, до 2,18 приводит к дополнительному повышению качества автоматизированного первичного заключения до уровня ДЧ, ДС, ДЭ и каппы Коэна 0,57, 0,91, 0,75 и 0,49, соответственно.

4. Применение мета-классификатора, на вход которому поступают первичное автоматизированное заключение, формируемое пороговым методом, и признаки распределения числа, площадей и интенсивностей выделенных областей ядер и сигналов, позволяет достичь на исследованной выборке ДЧ, ДС, ДЭ и каппы Коэна 0,87, 0,76, 0,79 и 0,58, соответственно.

Теоретическая и практическая значимость работы:

1. Установлена необходимость коррекции фоновой флуоресценции для повышения качества работы автоматизированных алгоритмов сегментации ядер и детектирования сигналов на FISH-изображениях РМЖ при определении амплификации гена HER2.

2. Предложен способ адаптации клинических рекомендаций по определению амплификации гена HER2 методом FISH, предназначенных для ручного анализа. Показано, что автоматизированное определение амплификации гена HER2 возможно с использованием взвешенного среднего отношения площадей флуоресцирующих областей HER2/CEP17 с дальнейшей оптимизацией порогового значения.

3. Показана целесообразность совместного использования первичного автоматизированного заключения, формируемого пороговым методом, распределений геометрических характеристик выделенных областей ядер и сигналов и их интенсивностей в каналах регистрации для повышения качества автоматизированного определения амплификации гена HER2 по FISH-изображениям.

4. Собрана база данных верифицированных FISH-изображений, используемых для определения амплификации гена HER2 при дифференциальной диагностике РМЖ, содержащая ручную разметку областей ядер, сигналов HER2 и сигналов CEP17, а также заключение патолога об амплификации гена HER2. Общее число изображений составило 155 для 44 пациентов (21 с амплификацией и 23 - без).

5. На основании проведенных исследований создано программное обеспечение для автоматизированной поддержки принятия врачебных решений при определении амплификации гена HER2 по FISH-изображениям, использованное в научно-исследовательской практике отделения онкоцитологии МНИОИ им. П.А. Герцена - филиала ФГБУ «НМИЦ радиологии» Минздрава России.

Методы исследования. В работе использованы методы математической статистики, методы цифровой обработки сигналов, методы обработки и анализа данных, методы машинного обучения и распознавания образов, элементы теории биотехнических систем.

Достоверность результатов основывается на использовании в работе основных положений теории биотехнических систем, методов математической статистики и других известных методов исследования. Полученные результаты не противоречат общепризнанным принципам и результатам исследований, опубликованным в работах отечественных и зарубежных авторов.

Внедрение и использование. Результаты диссертационной работы использованы в научно-исследовательской деятельности отделения онкоцитологии МНИОИ им. П. А. Герцена - филиала ФГБУ «НМИЦ радиологии» Минздрава России для определения амплификации гена HER2 при дифференциальной диагностике РМЖ и в учебном процессе кафедры «Биомедицинские технические системы» МГТУ им. Н.Э. Баумана.

Апробация материалов диссертации. Основные положения и результаты диссертационной работы обсуждались на конференциях: «2018 Ural Symposium on Biomédical Engineering, Radioelectronics and Information Technology (USBEREIT)» (Екатеринбург, 2018), «2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT)» (Екатеринбург, 2019), «26th IEEE Conference of Open Innovations Association FRUCT» (Ярославль, 2020) и «Физика и радиоэлектроника в медицине и экологии (ФРЭМЭ-2022)» (Владимир, 2022), на научных семинарах факультета биомедицинской техники

МГТУ им. Н.Э. Баумана.

Публикации. Основные результаты диссертационного исследования представлены в 6 научных работах, включая 2 статьи в рецензируемых журналах и изданиях из перечня ВАК РФ и 3 статьи, индексируемых в WoS/Scopus. Общий объем 2,9 п.л.

Личный вклад соискателя. Все исследования, результаты которых изложены в диссертационной работе, проведены лично соискателем в процессе научной деятельности. Заимствованный материал обозначен в работе ссылками.

Объем и структура диссертации. Диссертация состоит из введения, 4 глав, заключения, выводов, списка литературы и одного приложения; текст диссертации изложен на 111 страницах, содержит 17 таблиц и 28 рисунков. Список литературы включает в себя 99 источников.

ГЛАВА 1. ЗАДАЧА АВТОМАТИЗАЦИИ ОПРЕДЕЛЕНИЯ

АМПЛИФИКАЦИИ ГЕНА HER2 В FISH-ИССЛЕДОВАНИИ ДЛЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ РАКА МОЛОЧНОЙ ЖЕЛЕЗЫ

1.1. Эпидемиология рака молочной железы

Онкологические заболевания продолжают оставаться одной из ведущих причин смертности как в Российской Федерации, так и в глобальном масштабе. Согласно статистическим данным, представленным Всемирной организацией здравоохранения (ВОЗ) и Международным агентством по изучению рака (IARC), ежегодное количество впервые выявленных случаев злокачественных новообразований демонстрирует устойчивую тенденцию к росту [1]. В частности, в 2022 году по всему миру было зарегистрировано приблизительно 20 миллионов новых случаев онкологических заболеваний, что привело к около 10 миллионам смертей. Прогнозы специалистов указывают на дальнейшее значительное увеличение этих показателей: к 2050 году число новых случаев рака может вырасти на 77 % и превысить отметку в 35 миллионов [15].

В общей структуре онкологической заболеваемости на мировом уровне РМЖ занимает второе место по количеству впервые диагностированных случаев, составляя 11,6 % от общего числа всех злокачественных новообразований [1]. Лишь рак лёгких опережает его по этому показателю, на долю которого приходится 12,4 %. В то же время по уровню летальности среди всех онкологических патологий РМЖ располагается на четвёртом месте, будучи причиной 6,9 % всех смертей, связанных с раком. Среди женского населения РМЖ представляет собой наиболее часто встречающуюся форму злокачественного новообразования - на него приходится 23,8 % всех случаев онкологических заболеваний у женщин. Кроме того, именно РМЖ является основной причиной смерти от онкологических

заболеваний в этой группе населения, составляя 15,4 % всех летальных исходов от онкологических заболеваний.

В Российской Федерации злокачественные опухоли занимают второе место в структуре причин смертности населения. Согласно официальной статистике Министерства здравоохранения Российской Федерации, в 2023 году в стране было выявлено более 674 тысяч новых случаев злокачественных новообразований [2]. Из них на РМЖ приходится 19,1 % всех впервые зарегистрированных онкологических заболеваний и 20,8 % от общего числа пациентов, состоящих на учёте по поводу онкологической патологии [2]. Особенно тревожной остаётся ситуация с поздней диагностикой РМЖ: значительная доля случаев выявляется на II—IV стадиях, когда возможности радикального лечения ограничены. Это напрямую влияет на прогноз выживаемости и подчеркивает необходимость повышения онконастороженности как среди населения, так и среди медицинских работников первичного звена.

Несмотря на активную реализацию национальных и международных программ профилактики онкологических заболеваний, как в России, так и за рубежом, общая заболеваемость продолжает неуклонно расти [2, 15]. В этих условиях особую значимость приобретает раннее выявление злокачественных новообразований. Одним из ключевых направлений, нацеленных на снижение онкологической смертности, является совершенствование методов ранней диагностики и широкое внедрение систематических скрининговых программ, позволяющих выявлять опухолевые процессы на ранних, наиболее благоприятных для лечения стадиях [3, 16-19]. При подтверждении диагноза онкологического заболевания крайне важно провести дифференциальную диагностику, то есть определение гистологического и молекулярно-генетического подтипа опухоли. Такой подход обеспечивает возможность выбора наиболее адекватной и эффективной тактики терапии, персонализированной под конкретные биологические особенности новообразования [4]. Современные таргетные методы лечения, разработанные с учётом морфологических и генетических характеристик

опухоли, позволяют значительно повысить показатели выживаемости пациентов и существенно снизить риск возникновения рецидивов заболевания [20-22].

1.2. Классификация рака молочной железы

Современный подход к ведению пациентов с РМЖ предполагает не только подтверждение наличия злокачественного новообразования, но и всестороннюю детальную характеристику его биологических свойств. Это обусловлено тем, что от гистологического и молекулярно-генетического подтипа опухоли напрямую зависят как прогноз течения заболевания, так и эффективность применяемой системной терапии, включая гормонотерапию, химиотерапию и таргетные препараты.

После подтверждения диагноза РМЖ проводится комплексная дифференциальная диагностика опухоли с целью точного определения её гистологического подтипа, степени дифференцировки и молекулярно-генетического профиля [3, 4, 7]. Гистологическая классификация РМЖ разработана на основе рекомендаций ВОЗ и включает в себя такие наиболее распространённые формы, как инвазивный протоковый и инвазивный дольковый рак, а также ряд других, менее частых гистологических вариантов [5].

Степень дифференцировки опухолевых клеток, отражающая их сходство со здоровыми тканями и агрессивность роста, оценивается по общепринятой системе Nottingham (также известной как модифицированная шкала Bloom-Richardson) [23]. Распространённость опухолевого процесса в организме пациента описывается с использованием международной классификации TNM (Tumor, Node, Metastasis), которая учитывает размер первичной опухоли (T), наличие и объём поражения регионарных лимфатических узлов (N) и наличие отдалённых метастазов (M); на основе этих критериев устанавливается клиническая стадия заболевания [24]. Для персонализации терапевтической стратегии особое значение имеет молекулярно-генетическая характеристика опухоли, включающая оценку

экспрессии гормональных рецепторов эстрогенов (ER) и прогестерона (PR), уровня пролиферативной активности, определяемого по маркеру Ki-67, а также HER2-статуса [6].

1.2.1. Гистологическая классификация рака молочной железы

Согласно гистологической классификации РМЖ разделяют на карциному in situ и инвазивную карциному (Таблица 1) [5, 25]. Карцинома in situ представляет собой неинвазивную форму опухоли, при которой атипичные клетки локализуются исключительно в пределах эпителия протоков или долек и не прорастают через базальную мембрану в окружающие ткани. Эта группа включает протоковую карциному in situ (DCIS) и дольковую карциному in situ (LCIS). Среди них DCIS составляет подавляющее большинство случаев неинвазивного РМЖ и, в свою очередь, подразделяется на несколько гистологических вариантов, отличающихся морфологическими особенностями строения: комедо-тип, крибриформная, микропапиллярная, папиллярная и солидная формы. В отличие от карциномы in situ, инвазивные карциномы характеризуются прорастанием опухолевых клеток за пределы базальной мембраны с возможностью локального распространения и метастазирования. Среди всех инвазивных форм наиболее распространённой является инвазивная протоковая карцинома (IDC), на которую приходится от 70 до 80 % всех случаев инвазивного РМЖ [26]. Помимо IDC, к инвазивным подтипам относятся инвазивная лобулярная карцинома, а также так называемые специальные (или редкие) гистологические формы, такие как тубулярная, муцинозная (коллоидная), медуллярная и папиллярная карциномы [5]. Эти специальные подтипы, хотя и встречаются значительно реже, обладают характерными морфологическими признаками и, как правило, имеют более

о о с гр

благоприятный прогноз по сравнению с инвазивной протоковой карциномой. Тем не менее, даже при благоприятной гистологической картине специальных форм РМЖ требуется обязательная оценка молекулярно-генетических маркеров для

уточнения прогноза и планирования адекватной системной терапии. Кроме того, некоторые из этих подтипов могут сочетаться с компонентами инвазивной протоковой карциномы, что также влияет на тактику ведения пациента и исход заболевания. В связи с этим гистологическая верификация опухоли с обязательным указанием её подтипа является неотъемлемой частью стандартизированного патологоанатомического заключения при РМЖ.

Таблица 1.

Гистологическая классификация подтипов РМЖ_

Комедо

Крибриформная

Карцинома in situ Протоковая (DCIS) Микропапиллярная

Папиллярная

Солидная

Дольковая (LCIS)

Протоковая (IDC)

Инвазивная лобулярная

Инвазивная карцинома Инфильтрующая протоковая

Муцинозная

Медуллярная

Инфильтрующая дольковая

Важно отметить, что гистологическая классификация, несмотря на свою несомненную клиническую значимость и широкое применение в диагностике и стратификации пациентов, не отражает полной молекулярной гетерогенности опухоли и не учитывает внутриопухолевое генетическое разнообразие. Вследствие этого она не может служить единственной основой для выбора таргетной терапии, эффективность которой напрямую зависит от наличия специфических молекулярных мишеней, таких как ЫЕЯ2, гормональные рецепторы или мутации в генах, связанных с репарацией ДНК [6]. Поэтому для оптимизации тактики лечения необходимо дополнительное исследование молекулярно-генетических

характеристик опухоли, позволяющее персонализировать терапевтический подход и повысить его эффективность.

1.2.2. Молекулярно-генетическая классификация рака молочной железы

Несмотря на высокую прогностическую ценность гистологической классификации, её ограниченная способность предсказывать ответ опухоли на таргетную терапию обусловлена отсутствием учёта молекулярных особенностей новообразования. В настоящее время в клинической практике широко применяется суррогатная молекулярно-биологическая классификация РМЖ, основанная на иммуногистохимическом определении ключевых биомаркеров: экспрессии ЕЯ и РЯ, уровня пролиферативной активности по маркеру Кь67, а также НЕЯ2-статуса [6]. Анализ этих маркеров позволяет идентифицировать подгруппы пациентов, наиболее вероятно реагирующих на специфические виды системной терапии. Например, у пациентов с ЕЯ- или РЯ-позитивными опухолями показана гормонотерапия, включающая такие препараты, как тамоксифен или ингибиторы ароматазы [6, 27], тогда как при НЕЯ2-позитивном статусе эффективны таргетные агенты - лапатиниб [28] или трастузумаб [9].

Рецепторы эстрогенов и прогестерона относятся к ядерным рецепторам половых стероидов и играют центральную роль в регуляции пролиферации как нормального, так и неопластического эпителия молочной железы. Повышенная экспрессия данных рецепторов выявляется примерно в 75 % всех случаев РМЖ и служит важным прогностическим и предиктивным фактором. Наличие ЕЯ и/или РЯ в опухолевых клетках ассоциируется с благоприятным течением заболевания и хорошим ответом на эндокринную терапию. Экспрессия ЕЯ и РЯ оценивается методом иммуногистохимии (ИГХ), при этом пороговым значением для положительного результата считается окрашивание ядер в более или равном 1 % опухолевых клеток. ЕЯ/РЯ-позитивные опухоли, как правило, характеризуются высокой степенью дифференцировки и менее агрессивным биологическим

поведением. Хотя большинство ЕЯ-положительных опухолей одновременно экспрессируют и РЯ, существует небольшая группа РМЖ, в которой выявляется экспрессия только одного из рецепторов - чаще ЕЯ без РЯ. Такие опухоли демонстрируют более агрессивное течение и снижение чувствительности к гормональной терапии по сравнению с двойными ЕЯ/РЯ-позитивными формами.

Для дальнейшей дифференциации люминальных подтипов РМЖ наряду с экспрессией ЕЯ/РЯ используется пролиферативный маркер К1-67 - ядерный белок, экспрессия которого коррелирует с активностью клеточного цикла и отражает темп деления опухолевых клеток. Уровень К1-67 также определяется иммуногистохимически и служит ключевым критерием при разделении ЕЯ-позитивных опухолей на люминальный А (характеризующийся низкой пролиферативной активностью) и люминальный В (с высокой пролиферативной активностью) [6]. Несмотря на отсутствие единого международного стандарта, в большинстве клинических рекомендаций пороговым значением для дифференциации подтипов принимается уровень К1-67 в 14-20 %, хотя конкретный порог может варьироваться в зависимости от лабораторных протоколов и используемых реагентов. Тем не менее, учёт уровня К1-67 значительно повышает точность прогнозирования течения заболевания и обоснованность выбора тактики системной терапии, включая необходимость назначения химиотерапии у пациенток с люминальным РМЖ.

Список литературы диссертационного исследования кандидат наук Махов Денис Сергеевич, 2026 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries / Bray F. [et al.]. // CA: a cancer journal for clinicians. 2024. Vol. 74. №. 3. P. 229-263.

2. Каприн, А. Д. Состояние онкологической помощи населению России в 2023 году [Электронный ресурс]. URL: https://oncology-association.ru/wp-content/uploads/2024/06/sop-2023-elektronnaya-versiya.pdf (дата обращения: 01.09.2025).

3. Screening for breast cancer: evidence report and systematic review for the US preventive services task force / Henderson J. T. [et al.] // JAMA. 2024. T. 331. № 22. C. 1931-1946.

4. Cancer: principles & practice of oncology 12th edition / Vincent T. DeVita, [et al.]. Philadelphia: Wolters Kluwer, 2023. 2427 с.

5. Cserni, G. Histological type and typing of breast carcinomas and the WHO classification changes over time // Pathologica. 2020. Vol. 112. № 1. P. 25-41.

6. 6th and 7th International consensus guidelines for the management of advanced breast cancer (ABC guidelines 6 and 7) / Cardoso F. [et al.] // The Breast: Official Journal of the European Society of Mastology. 2024. Vol. 76. P. 103756.

7. Breast cancer / Harbeck N. [et al.] // Nature Reviews Disease Primers. 2019. Vol. 5. № 1. P. 66.

8. Раскин Г. А. Онкоген HER2 в раке молочной железы: механизм влияния на поведение опухоли (сравнительное количественное иммуногистохимическое исследование): автореф на соиск. ученой степ. канд. мед. наук: 14.00.14 - онкология и 14.00.15 - патологическая анатомия. Казань, 2007. 187 с.

9. Adjuvant trastuzumab in HER2-positive breast cancer / Slamon D. [et al.] // The New England Journal of Medicine. 2011. Vol. 365. № 14. P. 1273-1283.

10. Human epidermal growth factor receptor 2 testing in breast cancer / Wolff A. C. [et al.] // Archives of Pathology & Laboratory Medicine. 2023. Vol. 147. № 9. P. 993-1000.

11. Review of in situ hybridization (ISH) stain images using computational Techniques / Rehman Z. U. [et al.] // Diagnostics. 2024. Vol. 14. № 18. P. 2089.

12. Deep learning to automatically evaluate HER2 gene amplification status from fluorescence in situ hybridization images / Xue T. [et al.] // Scientific Reports. 2023. Vol. 13. № 1. P. 9746.

13. Кушнарев, В. А. Исследование воспроизводимости оценки рецепторов стероидных гормонов и индекса Ki67 в инвазивных карциномах молочной железы и ее клиническое значение): автореф на соиск. ученой степ. канд. мед. наук: 3.3.2 -патологическая анатомия и 3.1.6 - онкология, лучевая терапия, СПб, 2021. 115 с.

14. Automated detection of the HER2 gene amplification status in Fluorescence in situ hybridization images for the diagnostics of cancer tissues / Zakrzewski F. [et al.] // Scientific Reports. 2019. Vol. 9. № 1. P. 8231.

15. Global cancer burden growing, amidst mounting need for services [Электронный ресурс]. URL: https://www.who.int/news/item/01-02-2024-global-cancer-burden-growing--amidst-mounting-need-for-services (дата обращения: 01.09.2025).

16. Jatoi, I., Miller A.B. Why is breast-cancer mortality declining? // The Lancet Oncology. 2003. Vol. 4. № 4. P. 251-254.

17. Increasingly strong reduction in breast cancer mortality due to screening / Van Schoor, G. [et al.] // British Journal of Cancer. 2011. Vol. 104. № 6. P. 910-914.

18. Reduction of breast cancer mortality through mass screening with modern mammography / Verbeek A. L. M. [et al.] // The Lancet. 1984. Vol. 323. № 8388. P. 1222-1224.

19. Lung cancer mortality reduction by LDCT screening: UKLS randomised trial results and international meta-analysis / Field J.K. [et al.] // The Lancet Regional Health - Europe. 2021. Vol. 10. P. 100179.

20. The American Cancer Society challenge goal to reduce US cancer mortality by 50% between 1990 and 2015: Results and reflections / Byers T. [et al.] // CA: A Cancer Journal for Clinicians. 2016. Vol. 66. № 5. P. 359-369.

21. Sawyers C. Targeted cancer therapy. 2004. Vol. 432. № 7015. P. 294-297.

22. Padma V.V. An overview of targeted cancer therapy // BioMedicine. China Medical University, 2015. Vol. 5, № 4.

23. Elston C.W., Ellis I.O. Pathological prognostic factors in breast cancer. I. The value of histological grade in breast cancer: experience from a large study with long-term follow-up // Histopathology. 1991. Vol. 19. № 5. P. 403-410.

24. The eighth edition AJCC cancer staging manual: continuing to build a bridge from a population-based to a more "personalized" approach to cancer staging / Amin M.B. [et al.] // CA: A Cancer Journal for Clinicians. 2017. Vol. 67. № 2. P. 93-99.

25. Histological, molecular and functional subtypes of breast cancers / Malhotra G.K. [et al.] // Cancer Biology & Therapy. 2010. Vol. 10. № 10. P. 955-960.

26. Li C.I., Uribe D.J. Daling J.R. Clinical characteristics of different histologic types of breast cancer // British Journal of Cancer. 2005. Vol. 93. № 9. P. 1046-1052.

27. Effects of chemotherapy and hormonal therapy for early breast cancer on recurrence and 15-year survival: an overview of the randomised trials // The Lancet. 2005. Vol. 365. № 9472. P. 1687-1717.

28. Lapatinib plus capecitabine for HER2-positive advanced breast cancer / Geyer C.E. [et al.] // New England Journal of Medicine. 2006. Vol. 355. № 26. P. 27332743.

29. Современная цитологическая диагностика заболеваний молочной железы / Волченко Н. Н. [и др]. МГТУ им. Баумана, 2014. 198 с.

30. Supervised risk predictor of breast cancer based on intrinsic subtypes / Parker J.S. [et al.] // Journal of Clinical Oncology. 2009. Vol. 27. № 8. P. 1160-1167.

31. HercepTest™ for automated link platforms [Электронный ресурс]. URL: https://www.agilent.com/cs/library/packageinsert/public/PD04084US_03.pdf (дата обращения: 01.09.2025).

32. Navigating HER2-low testing in invasive breast cancer: update recommendations for pathologists / Bornstein-Quevedo L. [et al.] // Journal of Personalized Medicine. 2024. Vol. 14. Navigating HER2-Low Testing in Invasive Breast Cancer. № 5. P. 467.

33. Convolutional neural network application for cells segmentation in immunocytochemical study / Parpulov D. [et al.] // 2018 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2018. P. 8790.

34. Makhov D., Samorodov A., Slavnova E. Automatization of HER2 status assessment in breast cancer // 2019 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). 2019. P. 171-173.

35. Interobserver variability in her2 immunohistochemistry analysis and its clinical implications with the advent of the HER2-low category / Joaquim A.C. // Surgical and Experimental Pathology. 2025. Vol. 8. № 1. P. 24.

36. HER2 IQFISH pharmDx™ (Dako Omnis) [Электронный ресурс]. URL: https://www.agilent.com/cs/library/packageinsert/public/127859001.PDF (дата обращения: 01.09.2025).

37. Analysis of HER2 gene amplification using an automated fluorescence in situ hybridization signal enumeration system / Stevens R. [et al.] // The Journal of Molecular Diagnostics. 2007. Vol. 9. № 2. P. 144-150.

38. Validation of a new classifier for the automated analysis of the human epidermal growth factor receptor 2 (HER2) gene amplification in breast cancer specimens / Furrer D. [et al.] // Diagnostic Pathology. 2013. Vol. 8. № 1. P. 17.

39. Fully automated fluorescent in situ hybridization (FISH) staining and digital analysis of HER2 in breast cancer: a validation study / van der Logt E.M.J. [et al.] // PLoS ONE. 2015. Vol. 10. № 4. P. e0123201.

40. Feature representation and signal classification in fluorescence in situ hybridization image analysis / Lerner B. [et al.] // IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans. 2001. Vol. 31. № 6. P. 655-665.

41. Automated evaluation of her-2/neu status in breast tissue from fluorescent in situ hybridization images / Raimondo F. [et al.] // IEEE Transactions on Image Processing. 2005. Vol. 14. № 9. P. 1288-1299.

42. Fusion of FISH image analysis methods of HER2 status determination in breast cancer / Les T. [et al.] // Expert Systems with Applications. 2016. Vol. 61. P. 7885.

43. An interpretable automated detection system for FISH-based HER2 oncogene amplification testing in histo-pathological routine images of breast and gastric cancer diagnostics / Schmell S. [et al.] // arXiv preprint arXiv:2005.12066. 2020.

44. Detection of ERBB2 and CEN17 signals in fluorescent in situ hybridization and dual in situ hybridization for guiding breast cancer HER2 target therapy / Wang C. W. [et al.] //Artificial Intelligence in Medicine. 2023. Vol. 141. P. 102568.

45. FPbase fluorescence spectra viewer [Электронный ресурс]. URL: https://www.fpbase.org/spectra/ (дата обращения: 01.09.2025).

46. Osram 69182, HBO 103 W/2 [Электронный ресурс]. URL: https://sciencelighting.com/osram-69182-hbo-103-w-2/ (дата обращения: 01.09.2025).

47. Olympus microscopy resource center | Fluorescence Microscopy -Fluorescence Filters [Электронный ресурс]. URL: http://olympusconfocal.com/gfp/primer/techniques/fluorescence/filters.html (дата обращения: 01.09.2025).

48. Molecular expressions microscopy primer: light and color - fluorescence filter spectral profiles: interactive tutorial [Электронный ресурс]. URL: https://micro.magnet.fsu.edu/primer/java/fluorescence/fluorocubes/index.html (дата обращения: 01.09.2025).

49. Interpretation of the optical transfer function: Significance for image scanning microscopy / Sheppard C.J.R. [et al.] // Optics Express. 2016. Vol. 24. № 24. P. 27280-27287.

50. Zhang B., Zerubia J., Olivo-Marin J.C. Gaussian approximations of fluorescence microscope point-spread function models // Applied Optics. 2007. Vol. 46. № 10. P. 1819-1829.

51. Rost, F.W.D. Quantitative Fluorescence Microscopy. Cambridge University Press, 1991. 264 с.

52. Vicidomini G. Image formation in fluorescence microscopy //From Cells to Proteins: Imaging Nature across Dimensions. 2005. P. 371.

53. Vonesch C., Aguet F., Vonesch J.L., Unser M. The colored revolution of bioimaging // IEEE Signal Processing Magazine. 2006. Vol. 23. № 3. P. 20-31.

54. Signal to noise analysis of multiple color fluorescence imaging microscopy / Garini Y. [et al.] // Cytometry. 1999. Vol. 35. № 3. P. 214-226.

55. Castleman K. Color compensation for digitized FISH images // Bioimaging. 2001. Vol. 1. P. 159-165.

56. Hyohoon Choi, Castleman K.R., Bovik A.C. Color compensation of multicolor FISH images // IEEE Transactions on Medical Imaging. 2009. Vol. 28. № 1. P. 129-136.

57. Bagwell C.B., Adams E.G. Fluorescence spectral overlap compensation for any number of flow cytometry parameters // Annals of the New York Academy of Sciences. 1993. Vol. 677. № 1. P. 167-184.

58. Kuo Y.L., Ko C.C. Lai J.Y. Automated HER2 assessment of FISH images with color compensation // 2012 International Symposium on Computer, Consumer and Control 2012 International Symposium on Computer, Consumer and Control (IS3C). 2012. P. 817-820.

59. Optical filters, custom & OEM filter design, imaging systems & products -Chroma Technology Corp [Электронный ресурс]. URL: https://www.chroma.com/ (дата обращения: 01.09.2025).

60. CoolCube datasheet [Электронный ресурс]. URL: http://www.sussex.ac.uk/gdsc/intranet/pdfs/microscopy/Coolcube1_datasheet.pdf (дата обращения: 01.09.2025).

61. Zimmermann T., Marrison J., Hogg K., O'Toole P. Clearing up the signal: spectral imaging and linear unmixing in fluorescence microscopy // Confocal Microscopy: Methods in Molecular Biology. 2014. Vol. 1075. P. 129-148.

62. Fluorescence microscopy image noise reduction using a stochastically-connected random field model / Haider S.A. [et al.] // Scientific Reports. 2016. Vol. 6. P. 20640.

63. Tsin Y., Ramesh V., Kanade T. Statistical calibration of CCD imaging process // Proceedings Eighth IEEE International Conference on Computer Vision. 2001. Vol. 1. P. 480-487.

64. Liu Ce, Freeman W. T., Szeliski R., Kang S.B. Noise Estimation from a Single Image // 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2006. Vol. 1. P. 901-908.

65. Irie K., McKinnon A.E., Unsworth K., Woodhead I.M. A model for measurement of noise in CCD digital-video cameras // Measurement Science and Technology. 2008. Vol. 19. № 4. P. 045207.

66. Quality control considerations for fluorescence in situ hybridisation of paraffin-embedded pathology specimens in a diagnostic laboratory environment / Duffy L. [et al.] // Latest Research into Quality Control. 2012.

67. The impact of pre-analytical processing on staining quality for H&E, dual hapten, dual color in situ hybridization and fluorescent in situ hybridization assays / Babic A. [et al.] // Methods. 2010. Vol. 52. № 4. P. 287-300.

68. Standardization and optimization of fluorescence in situ hybridization (FISH) for HER-2 assessment in breast cancer: A single center experience / Bogdanovska-Todorovska M. [et al.] // Bosnian Journal of Basic Medical Sciences. 2018. Vol. 18. № 2. P. 132-140.

69. Petersen B.L., Sorensen M.C., Pedersen S., Rasmussen M. Fluorescence in situ hybridization on formalin-fixed and paraffin-embedded tissue: optimizing the method // Applied Immunohistochemistry & Molecular Morphology. 2004. Vol. 12. № 3. P. 259-265.

70. Hausmann M., Cremer C. Standardization of FISH-procedures: summary of the first discussion workshop // Analytical Cellular Pathology : the Journal of the European Society for Analytical Cellular Pathology. 2003. Vol. 25. № 4. P. 201-205.

71. External quality assurance of HER2 fluorescence in situ hybridisation testing: results of a UK NEQAS pilot scheme / Bartlett J.M.S [et al.] // Journal of Clinical Pathology. 2007. Vol. 60. № 7. P. 816-819.

72. Tomazevic D. Likar B., Pernus F. Comparative evaluation of retrospective shading correction methods // Journal of Microscopy. 2002. Vol. 208. № 3. P. 212-223.

73. Махов Д.С., Размахаев Г.С., Славнова Е.Н., Самородов А.В. Разработка биотехнической системы автоматизированного определения HER2-статуса при раке молочной железы методом флуоресцентной in situ гибридизации (FISH) // Биомедицинская радиоэлектроника. 2022. Т. 25. № 5. С. 58-69.

74. Membrane connectivity estimated by digital image analysis of HER2 immunohistochemistry is concordant with visual scoring and fluorescence in situ hybridization results: algorithm evaluation on breast cancer tissue microarrays / Laurinaviciene A. [et al.] // Diagnostic Pathology. 2011. Vol. 6. P. 87.

75. High inter-observer agreement in immunohistochemical evaluation of HER-2/neu expression in breast cancer: A multicentre GEFPICS study / Lacroix-Triki M. [et al.] // European Journal of Cancer. 2006. Vol. 42. № 17. P. 2946-2953.

76. Inter-observer reproducibility of HER2 immunohistochemical assessment and concordance with fluorescent in situ hybridization (FISH): pathologist assessment compared to quantitative image analysis / Turashvili G. [et al.] // BMC Cancer. 2009. Vol. 9. P. 165.

77. HER-2/neu in breast cancer: interobserver variability and performance of immunohistochemistry with 4 antibodies compared with fluorescent in situ hybridization / Thomson T.A. [et al.] // Modern Pathology. 2001. Vol. 14. HER-2/neu in Breast Cancer. № 11. P. 1079-1086.

78. On evaluation metrics for medical applications of artificial intelligence / Hicks S.A. [et al.] // Scientific Reports. 2022. Vol. 12. № 1. P. 5979.

79. Kwiecien R., Kopp-Schneider A., Blettner M. Concordance Analysis // Deutsches Ärzteblatt International. 2011. Vol. 108. № 30. P. 515-521.

80. DAPI, 28718-90-3, diamidino, phenylindole, blue, counterstain, fluorescent DNA, microscopy, cytometry [Электронный ресурс]. URL: https://www.interchim.fr/ft/3/37186D.pdf (дата обращения: 01.09.2025).

81. 4',6-Diamidino-2-phenylindole, [DAPI] [Электронный ресурс]. URL: https://omlc.org/spectra/PhotochemCAD/html/060.html (дата обращения: 01.09.2025).

82. FITC | Standard fluorescein, coumarin and rhodamine-based: R&D systems [Электронный ресурс]. URL: https://www.rndsystems.com/products/fitc_5440 (дата обращения: 01.09.2025).

83. FITC (CAS 3326-32-7) [Электронный ресурс]. URL: https://www.rndsystems.com/products/fitc_5440 (дата обращения: 01.09.2025).

84. Texas Red-X, succinimidyl ester Mixed isomers CAS 216972-99-5 | AAT Bioquest [Электронный ресурс]. URL: https://www.aatbio.com/products/texas-red-x-succinimidyl-ester-mixed-isomers-cas-216972-99-5 (дата обращения: 01.09.2025).

85. Song Y., Cai W., Feng D.D., Chen M. Cell nuclei segmentation in fluorescence microscopy images using inter- and intra-region discriminative information // 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC). 2013. P. 6087-6090.

86. Gharipour A., Liew W.C. Segmentation of cell nuclei in fluorescence microscopy images: An integrated framework using level set segmentation and touching-cell splitting // Pattern Recognition. 2016. Vol. 58. P. 1-11.

87. Comparison of segmentation algorithms for fluorescence microscopy images of cells / Dima A.A. [et al.] // Cytometry Part A. 2011. Vol. 79A. № 7. P. 545559.

88. Castleman K. R. Dot count proportion estimation in FISH specimens // Bioimaging. 1995. Vol. 3. № 2. P. 88-93.

89. FISH image analysis using a modified radial basis function network / Sagonas C. [et al.] // Biomedical Signal Processing and Control. 2013. Vol. 8. № 1. P. 30-40.

90. Del Bimbo A., Meoni M., Pala P. Accurate evaluation of HER-2 amplification in FISH images // 2010 IEEE International Conference on Imaging Systems and Techniques. 2010. P. 407-410.

91. Automated FISH spot counting in interphase nuclei: statistical validation and data correction / de Solorzano C.O. [et al.] // Cytometry. 1998. Vol. 31. Automated FISH spot counting in interphase nuclei. № 2. P. 93-99.

92. FISH and chips: Automation of fluorescent dot counting in interphase cell nuclei / Netten H. [et al.] // Cytometry. 1997. Vol. 28. № 1. P. 1-10.

93. Ram S., Rodriguez J.J., Bosco G. Segmentation and detection of fluorescent 3D spots // Cytometry Part A. 2012. Vol. 81A. № 3. P. 198-212.

94. Graphical interface for analyzing HER2 fluorescent in situ hybridization images [Электронный ресурс]. URL: https://www.etran.rs/common/pages/proceedings/IcETRAN2017/EKI/IcETRAN2017_p aper_EKI2_4.pdf (дата обращения: 01.09.2025).

95. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. // arXiv:1505.04597. 2015.

96. Коррекция фона для автоматизации анализа FISH изображений / Махов Д. С. [и др.] // Биотехносфера. 2021. № 1. С. 23-28.

97. Аугментация на базе гамма преобразования для автоматизированного анализа флуоресцентных изображений / Махов Д. С. [и др.] // Физика и радиоэлектроника в медицине и экологии. 2022. С. 149-152.

98. Breiman L. Stacked regressions // Machine Learning. 1996. Vol. 24. № 1. P.

49-64.

99. Kwon H., Park J., Lee Y. Stacking ensemble technique for classifying breast cancer // Healthcare Informatics Research. 2019. Vol. 25. № 4. P. 283-288.

ПРИЛОЖЕНИЕ

Федеральное государственное бюджетное учреждение «Национальный медицинский исследовательский центр радиологии» Министерства здравоохранения Российской Федерации

(ФГБУ «НМИЦ радиологии» Минздрава России) 249036. Калужская область. г.Обнинск. ул.Королева, д.4. тел. [phone]. факс [phone], E-mail: [e-mail] ОГРН 1027739623031. ОКПО 01966615. ИНН 7714042070. КС 1111 402501001

_

на № от

об использовании

результатов диссертационной работы Махова Дениса Сергеевича «Биотехническая система автоматизированною определении амплификации гена HER2 по FISH изображениям при дифференциальной диагностике рака молочной железы»

Настоящий акт составлен о том, что результаты диссертационной работы Махова Дениса Сергеевича «Биотехническая система автоматизированного определения амплификации гена HHR2 по FISH изображениям при дифференциальной диагностике рака молочной железы» используются в научно-исследовательской практике отделения онкоцитологии МНИОИ им. H.A. Герцена - филиал ФГБУ «НМИЦ радиологии» Минздрава России

Разработанное программное обеспечение используется в качестве дополнительного инструмента при интерпретации результатов флуоресцентной гибридизации in situ (FISH) для оценки HER2 статуса опухоли. В ходе аиробации на 44 пациентах установлено, что программное обеспечение обеспечивает высокое качество предварительного заключения в условиях наличия артефактов на регистрируемых изображениях со значениями диагностической эффективности 0.79 и согласованности с мнением патолога 0,58.

Ведущий научный сотрудник отделения онкоцитологии Отдела онкоморфологии МНИОИ им. H.A. Герцена -

филиал ФГБУ «НМИЦ радиологии» Минздрава России, д.м.н., врач высшей категории

Ученый секретарь ФГБУ «НМИЦ радиологии» Минздрава России к.б.н.

Рисунок П.1.

Акт использования результатов исследования (ПО анализа данных)