ДИСКРИМІНАЦІЯ ДАНИХ В ПАТОМОРФОЛОГІЇ. ШЛЯХИ ПОДОЛАННЯ

О. П. Мінцер; Н. О. Сінєнко

doi:10.11603/mie.1996-1960.2022.3.13359

Автор(и)

О. П. Мінцер Національний університет охорони здоров’я України імені П. Л. Шупика https://orcid.org/0000-0002-7224-4886
Н. О. Сінєнко Міністерство охорони здоров'я України https://orcid.org/0000-0002-8013-3449

DOI:

https://doi.org/10.11603/mie.1996-1960.2022.3.13359

Ключові слова:

дискримінація даних, великі дані, стиснення даних, віртуальні слайди патології, модель візуальної дискримінації, нейронні згорткові мережи, алгоритм 4S

Анотація

Розглянуто питання сучасної аналітики, серед яких найгострішим є ризик дискримінації даних. Дослідження спрямовано на виявлення причин і наслідків дискримінації в інтелектуальному аналізі даних, а також на вивчення потенційних рішень цієї проблеми в патоморфології. Для встановлення складних взаємозв'язків між якістю оригінального зразка, якістю сканованого зображення, кількісними характеристиками застосованого стиснення, впливом на діагностичну інтерпретацію та інших пов'язаних діагностичних процедур (структурна класифікація, прогноз тощо) потрібно виконати значний обсяг робіт. Запропоновано алгоритм 4S (systematization, structuring stability of states), пов'язаний із використанням технології створення стійких морфологічних, гістологічних чи інших структур. Досвід його використання дає основу для обережного оптимізму.

Посилання

Favaretto, M., De Clercq, E., Elger, B. S. (2019). Big Data and discrimination: perils, promises and solutions. A systematic review. J Big Data, 6(12). DOI:10.1186/s40537-019-0177-4. DOI: https://doi.org/10.1186/s40537-019-0177-4

Homeyer, A., Hammad, S., Schwen, L. O., Dahmen, U., Hofener, H. et al. (2018). Focused scores enable reliable discrimination of small differences in steatosis. Diagn Pathol, 3(76). DOI:10.1186/s13000-018-0753-5. DOI: https://doi.org/10.1186/s13000-018-0753-5

Johnson, J. P., Krupinski, E. A., Yan, M., Roehrig, H. et al. (2011). Using a visual discrimination model for the detection of compression artifacts in virtual pathology images. IEEE Trans Med Imaging, 30(2), 306-314. DOI:10.1109/TMI.2010.2077308-2. DOI: https://doi.org/10.1109/TMI.2010.2077308

Khosravi, P., Kazemi, E., Imielinski, M., Elemento, O., Hajirasouliha, I. (2018). Deep Convolutional Neural Networks Enable Discrimination of Heterogeneous Digital Pathology Images. EBioMedicine, 27, 317-328. DOI:10.1016/j. ebiom.2017.12.026. DOI: https://doi.org/10.1016/j.ebiom.2017.12.026

O'Connor, J. P. B., Rose, C. J., Waterton, J. C. et al. (2015). Imaging intratumor heterogeneity: role in therapy response, resistance, and clinical outcome. Clin Cancer Res, 21, 49-57. DOI: https://doi.org/10.1158/1078-0432.CCR-14-0990

Nong, P., Williamson, A., Anthony, D., Platt, J., Kardia Sh. (2022). Discrimination, trust, and withholding information from providers: Implications for missing data and inequity. SSM - Population Health. 18(101092), 1-7. DOI: https://doi.org/10.1016/j.ssmph.2022.101092

Plancoulaine, B., Laurinaviciene, A., Herlin, P. (2015). A methodology for comprehensive breast cancer Ki67 labeling index with intra-tumor heterogeneity appraisal based on hexagonal tiling of digital image analysis data. Virchows Arch, 467, 711-722. DOI: https://doi.org/10.1007/s00428-015-1865-x

Weinstein, R. S., Descour, M. R., Liang, C., Barker, G., Scott, K. M. et al. (2004). An array microscope for ultrarapid virtual slide processing and telepathology. Design, fabrication, and validation study. Human Pathol, 35, 1303-1314. DOI: https://doi.org/10.1016/j.humpath.2004.09.002

Mintser O. P., Babintseva L. Yu. (2022). Novi tendentsiyi rozvytku system predstavlennya ta upravlinnya danymy. analitychnyy pohlyad. [New trends in the development of data presentation and management systems. Analytical view]. Medychna informatyka ta inzheneriia. [Medical informatics and engineering], 1-2 (57-58), 5-13. DOI: 10.11603/ mie.1996-1960.2022.1-2.13104. [In Ukrainian].

Yagi, Y., Gilberson, J. R. (2005). Digital imaging in pathology: The case for standardization. J Telemed Telecare, 11, 109-116. DOI: https://doi.org/10.1258/1357633053688705