Надзвичайно актуальна проблема діагностики раку молочної залози, що залишається однією із провідних причин смертності, потребує інноваційних підходів для підвищення точності та оперативності онкологічної діагностики.
У статті обґрунтовано актуальність проблеми створення комплексної програмної системи для автоматичної діагностики раку молочної залози, що є важливим кроком для підвищення точності та ефективності онкологічної діагностики. Запропоновано підхід до розроблення такої системи, що містить модулі сегментації біомедичних зображень, класифікації, ідентифікації інформативних ознак, автоматичної діагностики, синтезу зображень, управління наборами даних, управління моделями нейронних мереж, метриками та управління користувачами. Розроблено функціональні вимоги до програмного забезпечення та спроєктовано його архітектуру відповідно до принципу єдиної відповідальності: кожен модуль виконує чітко визначену функцію, що забезпечує гнучкість, масштабованість та простоту подальшого розширення системи. Реалізацію виконано у вигляді сучасного вебдодатка із використанням технологій Next.js, FastAPI, PyTorch, MongoDB, OpenCV та Mantine UI. Архітектура клієнт-сервер із підтримкою хмарної інфраструктури дає змогу ефективно обробляти великі обсяги медичних даних, забезпечуючи надійність, продуктивність і високу доступність системи. Структура бази даних була розроблена у вигляді логічної UML-діаграми класів, що забезпечує надійне управління інформацією, підтримку операцій CRUD і відповідність вимогам щодо збереження цілісності та конфіденційності медичних даних. Експериментальні дослідження підтвердили ефективність нейронних мереж у завданнях сегментації та класифікації біомедичних зображень, зокрема для ізоляції клітин, оцінювання маркерів та ідентифікації підтипів раку. Результати дослідження мають практичну цінність і можуть бути впроваджені в діяльність медичних установ, а також використані для подальшого розвитку інтелектуальних систем підтримки прийняття рішень у галузі цифрової медицини.
1. Habuza, T., Al-Kafri, A., Alsalah, H., Al-Busaidi, S. S., Al-Rawahi, F. R., & Al-Marzooqi, F. I. (2021). AI applications in robotics, diagnostic image analysis and precision medicine: Current limitations, future trends, guidelines on CAD systems for medicine. Informatics in Medicine Unlocked, 24, 100596. https://doi.org/10.1016/j.imu.2021.100596
2. Nabok, A. I. (2023). Prevalence and incidence of breast cancer in Ukraine. Wiad Lek, 76(10), 2219–2223. http://dx.doi.org/ 10.36740/WLek202310114
3. Siegel, R. L., Miller, K. D., Wagle, N. S., & Jemal, A. (2023). Cancer statistics, 2023. CA: a cancer journal for clinicians, 73(1). https://doi.org/10.3322/caac.21871
4. Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M.,… & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
5. Srikantamurthy, M. M., Rallabandi, V. S., Dudekula, D. B., Natarajan, S., & Park, J. (2023). Classification of benign and malignant subtypes of breast cancer histopathology imaging using hybrid CNN-LSTM based transfer learning. BMC Medical Imaging, 23(1), 19. http://dx.doi.org/10.1186/s12880-023-00964-0
6. Al-Jabbar, M., Alshahrani, M., Senan, E. M., & Ahmed, I. A. (2023). Analyzing histological images using hybrid techniques for early detection of multi-class breast cancer based on fusion features of CNN and handcrafted. Diagnostics, 13(10), 1753. http://dx.doi.org/10.3390/diagnostics13101753
7. Miranda Ruiz, F., Lahrmann, B., Bartels, L., Krauthoff, A., Keil, A., Härtel, S.,… & Grabe, N. (2023). CNN stability training improves robustness to scanner and IHC-based image variability for epithelium segmentation in cervical histology. Frontiers in Medicine, 10, 1173616. http://dx.doi.org/10.3389/fmed. 2023.1173616
8. Zaha, D. C. (2014). Significance of immunohistochemistry in breast cancer. World journal of clinical oncology, 5(3), 382. https://doi.org/10.5306/wjco.v5.i3.382
9. Aswathy, M. A., & Mohan, J. (2020). Analysis of machine learning algorithms for breast cancer detection. In Handbook of Research on Applications and Implementations of Machine Learning Techniques (pp. 1–20). IGI global. https://doi.org/ 10.4018/978-1-5225-9902-9.ch001
10. Dzulkifli, F. A., Mashor, M. Y., & Jaafar, H. (2021). Colour thresholding-based automatic Ki67 counting procedure for immunohistochemical staining in meningioma. International Journal of Computational Vision and Robotics, 11(3), 279–298. http://doi.org//10.1504/IJCVR.2021.115160
11. Razavi, S., Khameneh, F. D., Serteli, E. A., Cayir, S., Cetin, S. B., Hatipoglu, G.,… & Kamasak, M. (2018, June). An automated and accurate methodology to assess ki-67 labeling index of immunohistochemical staining images of breast cancer tissues. In 2018 25th International Conference on Systems, Signals and Image Processing (IWSSIP) (pp. 1–5). IEEE. http://doi.org// 10.1109/IWSSIP.2018.8439184
12. Syrykh, C., Abreu, A., Amara, N., Siegfried, A., Maisongrosse, V., Frenois, F. X.,… & Brousset, P. (2020). Accurate diagnosis of lymphoma on whole-slide histopathology images using deep learning. npj Digital Med. http://doi.org//10.1038/s41746-020-0272-0
13. Oscanoa, J., Doimi, F., Dyer, R., Araujo, J., Pinto, J., & Castaneda, B. (2016, August). Automated segmentation and classification of cell nuclei in immunohistochemical breast cancer images with estrogen receptor marker. In 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 2399–2402). IEEE. http://doi.org//10.1109/EMBC.2016.7591213
14. Berezsky, O. M., Liashchynskyi, P. B., Liashchinskyi, P. B., Sukhovych, A. R., & Dolynyuk, T. M. (2019). Synthesis of biomedical images based on generative adversarial networks. Ukrainian Journal of Information Technology, 1(1), 35-40. https://doi.org/10.23939/ujit2019.01.035
15. Berezkyi, O. M., Pitsun, O. Y., & Dubchak, L. O. (2018). Means of artificial intelligence in automated systems microscopy. Artificial Intelligence, 2(77), 33-42. Retrieved from: http://jnas.nbuv.gov.ua/article/UJRN-0000999775
16. Berezsky, O. M., et al. (2017). Methods, algorithms and software tools for processing biomedical images. Economic Thought, TNEU.
17. Liashchynskyi, P., et al. (2023). Method and software tool for generating artificial databases of biomedical images based on deep neural networks. In CEUR Workshop Proceedings, 3609, 15–26.
18. Berezsky, O., Liashchynskyi, P., Pitsun, O., & Izonin, I. (2024). Synthesis of Convolutional Neural Network architectures for biomedical image classification. Biomedical Signal Processing and Control, 95, 106325.
19. Berezsky, O. M., & Liashchynskyi, P. B. (2021). Comparison of generative adversarial networks architectures for biomedical images synthesis. Applied Aspects of Information Technology, 4(3), 250-260. https://doi.org/10.1016/j.bspc.2024.106325
20. Yanase, J., & Triantaphyllou, E. (2019). A systematic survey of computer-aided diagnosis in medicine: Past and present developments. Expert Systems with Applications, 138, 112876.
21. Demuth, S., Maubon, A., Cotton, F., Armspach, J.-P., & Vian, D. (2024). Clinical applications of deep learning in neuroinflammatory diseases: A scoping review. Revue Neurologique. https://doi.org/10.1016/j.neurol.2024.04.004
22. Fang, N., Xu, J., Zhang, H., Cui, S., Jiang, H., Wang, J., Zhang, Y., & Dong, Q. (2024). Computer-aided multiphoton microscopy diagnosis of five different primary architecture subtypes of meningiomas. Laboratory Investigation, 100324. https://doi.org/10.1016/j.labinv.2024.100324
23. Brown, M. S., McNitt-Gray, M. F., Yankelevitz, D. F., Henschke, C. I., & Aberle, D. R. (2007). An architecture for computer-aided detection and radiologic measurement of lung nodules in clinical trials. Cancer Informatics, 4, 117693510700400. https://doi.org/ 10.1177/117693510700400001
24. Stoitsis, J., Gatzounis, G., Vlachos, N., & Vlachos, P. (2006). Computer aided diagnosis based on medical image processing and artificial intelligence methods. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 569(2), 591-595. https://doi.org/10.1016/j.nima.2006.08.134
25. Kim, S. J., Park, E. K., Choi, Y., & Han, M. H. (2010). Comparison of two software versions of a commercially available computer-aided detection (CAD) system for detecting breast cancer. Acta Radiologica, 51(5), 482-490. https://doi.org/ 10.3109/02841851003709490
26. Al-antari, M. A., Han, S.-M., & Kim, T.-S. (2017). An automatic computer-aided diagnosis system for breast cancer in digital mammograms via deep belief network. Journal of Medical and Biological Engineering, 38(3), 443-456. https://doi.org/10.1007/ s40846-017-0321-6
27. Halalli, B., & Makandar, A. (2018). Computer aided diagnosis-medical image analysis techniques. In Breast imaging, 85, 85-109.
28. Naas, M., Ghouali, D., Boughamoura, H., & Abed, K. (2025). Deep learning based computer aided diagnosis (CAD) tool supported by explainable artificial intelligence for breast cancer exploration. Applied Intelligence, 55(7).
29. Baker, J. A., Rosen, E. L., Lo, J. Y., & Gimenez, E. I. (2003). Computer-aided detection (CAD) in screening mammography: Sensitivity of commercial CAD systems for detecting architectural distortion. American Journal of Roentgenology, 181(4), 1083-1088. https://doi.org/10.2214/ajr.181.4.1811083
30. Oza, P., Sharma, P., & Patel, S. (2022). A drive through computer-aided diagnosis of breast cancer: a comprehensive study of clinical and technical aspects. In Recent Innovations in Computing: Proceedings of ICRIC 2021, 1, 233–249.