Maruša Jerše1*, Ana Rebeka Kamšek1*, Danica Stojanović2, Ema Ahačič3,
Jurij Nastran4, Matija Milanič5, Jože Pižem6
Razvoj programske opreme za digitalno
analizo histopatoloških vzorcev uvealnega
melanoma
Software Development for the Digital Analysis of Pathological Uveal
Melanoma Samples
IZvLEČEK
KLJUČNE BESEDE: uvealni melanom, digitalna patologija, programska oprema, digitalizacija, strojno
učenje
IZHODIŠČA. Uvealni melanom je rak, ki se razvije iz melanocitov srednje očesne ovojni-
ce. Diagnozo uvealnega melanoma postavimo na podlagi kliničnega pregleda in UZ-pre-
iskave očesa ter jo potrdimo s histopatološko preiskavo. Z razvojem tehnologije se odpirajo
nove možnosti za delo s histopatološkimi preparati. Naša hipoteza je bila, da lahko napi-
šemo program, ki bo samodejno dovolj natančno določil tipe tkiv na sliki, in da ta pro-
gram lahko vključimo v programsko opremo za delo s slikami preparatov. METODE.
Proučevani vzorec je vseboval 16 slik preparatov uvealnega melanoma, ki smo jih nalo-
žili na strežnik odprtega mikroskopskega okolja (angl. Open Microscopy Environment,
OMERO). V okolju OMERO smo na slikah ročno označili posamezna tkiva in napisali model
za prepoznavo tkiv, ki deluje po principu metod strojnega učenja. Na podlagi slik z ročno
označenimi tkivi model pripravi lastne kriterije za razvrščanje tkiv. REZULTATI. Naš rezul-
tat je postavitev programskega okolja za delo z digitaliziranimi slikami preparatov ter
model, ki s 85-% točnostjo razvrsti različna tkiva na slikah preparatov. RAZPRAVA. Odpirajo
se nove možnosti prikaza slik preparatov, avtomatskega označevanja slik, postavljanje
najverjetnejše diagnoze in opredeljevanje napovednih dejavnikov, kar bi lahko nadalje olaj-
šalo delo patologov in izboljšalo zdravljenje bolnikov.
5Med Razgl. 2024; 63(1): 5–23 • doi: 10.61300/mr6301001 • Raziskovalni članek
* Avtorici si delita mesto prvega avtorstva.
1 Maruša Jerše, štud. med., Medicinska fakulteta, Univerza v Ljubljani, Vrazov trg 2, 1000 Ljubljana
1 Ana Rebeka Kamšek, mag. fiz., Fakulteta za matematiko in fiziko, Univerza v Ljubljani, Jadranska ulica 19,
1000 Ljubljana
2 Danica Stojanović, štud. med., Medicinska fakulteta, Univerza v Ljubljani, Vrazov trg 2, 1000 Ljubljana;
danicastojanovic704@gmail.com
3 Ema Ahačič, dr. med., Nacionalni inštitut za javno zdravje, Trubarjeva cesta 2, 1000 Ljubljana
4 Jurij Nastran, štud. rač. in inf., Fakulteta za računalništvo in informatiko, Univerza v Ljubljani, Večna pot 113,
1000 Ljubljana
5 Doc. dr. Matija Milanič, Oddelek za fiziko, Fakulteta za matematiko in fiziko, Univerza v Ljubljani, Jadranska ulica 19,
1000 Ljubljana
6 Izr. prof. dr. Jože Pižem, dr. med., Inštitut za patologijo, Medicinska fakulteta, Univerza v Ljubljani, Korytkova ulica 2,
1000 Ljubljana
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 5
Epidemiologija
Srednja starost ob postavitvi diagnoze je pri-
bližno 62 let (4). Incidenca je višja pri
moških in v Evropi raste od juga z incidenco
< 2/1.000.000 proti severu z incidenco
> 8/1.000.000 (7, 8). V Sloveniji se bolezen
pojavlja z incidenco 7,8/1.000.000 za moške
in 7,4/1.000.000 za ženske (9). Kljub napred-
ku pri diagnosticiranju in zgodnjemu zdrav-
ljenju melanoma uvee se stopnja preživetja
ni izboljšala in se ne spreminja zadnjih
50 let. Smrtnost zaradi melanoma uvee je
35% v petih in 50% v desetih letih od posta-
vitve diagnoze (3).
Dejavniki tveganja
Dovzetnejši za razvoj melanoma uvee so
posamezniki s svetlo kožo, svetlimi lasmi
ter modro ali zeleno barvo oči (5). Izmed
vseh melanomov uvee je družinskih 0,6 %.
Pogosteje se razvije v sklopu sindromov
xeroderma pigmentosum, Li-Fraumeni ter
družinskega sindroma atipičnih nevusov in
6 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
aBSTRaCT
KEY WORDS: uveal melanoma, digital pathology, software, digitalization, machine learning
BACKGROUNDS. Uveal melanoma is a malignant tumor that originates from the mela-
nocytes of the eye’s middle layer. Diagnosis is made clinically, with an eye ultrasound,
and confirmed by histopathological examination. Technological developments are ope-
ning new possibilities for working with histopathological samples. We hypothesized that
we could develop computer software, which would automatically classify tissues obser-
ved in an image. METHODS. The studied sample consisted of 16 images of uveal mela-
noma slides, which were uploaded to the Open Microscopy Environment server. We
manually labeled different types of tissues present in the images and wrote a model to
automatically segment the tissues by learning from our examples. The model is based on
machine learning methods. Based on the manual tissue classification, the model develo-
ped its own criteria for tissue classification. In a new image, the model uses the develo-
ped criteria, recognizes the tissues, and labels them. RESULTS. We implemented a software
environment for processing digitized images and developed a model that classifies dif-
ferent tissues with an 85% accuracy. DISCUSSION. New possibilities for processing histo-
logical images, providing the most relevant diagnosis or predicting prognosis could ease
the diagnostic process and improve patient treatment.
IZHODIšČa
Uvealni melanom
Uvea je žilna, srednja očesna ovojnica, ki jo
sestavljajo šarenica, ciliarnik in žilnica.
Melanom uvee, prikazan na sliki 1, se raz-
vije iz melanocitov uvee, ki nastanejo iz
celic nevralnega grebena (1, 2). Je najpo-
gostejši primarni maligni tumor očesa pri
odraslih (3). Najpogostejši so melanomi
žilnice (85–90%) (4). Večji melanomi žilnice
so kupolaste ali gobaste oblike, saj se
z rastjo tumorja relativno šibka Bruchova
membrana napne in poči, tumor pa raste
skozi razpoko pod mrežnico (5, 6). Mrežnica
okrog tumorja lahko odstopi zaradi kopi-
čenja eksudata med mrežnico in pigmen-
tnim epitelijem mrežnice (6). Redkejši so
melanomi ciliarnika (5–8 %) in šarenice
(3–5%) (4). Melanomi šarenice imajo ugod-
nejši potek z manjšo verjetnostjo zasevkov
(2, 3). Navadno so diagnosticirani relativno
majhni in pri mlajših bolnikih, 10–20 let
prej kot melanomi žilnice (5, 6).
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 6
melanoma (2, 3). Displastični nevusi, nevu-
si šarenice ali žilnice, kožni melanomi ter
očesna in okulodermalna melanocitoza so
povezani z večjim tveganjem za razvoj
melanoma uvee (2, 5). Osebe s somatsko ali
zarodno mutacijo gena za s prvim odkritim
genom za dovzetnost za raka dojk poveza-
no beljakovino 1 (angl. BRCA1 associated
protein 1, BAP1) imajo večje tveganje za raz-
voj melanoma uvee in kože ter drugih
tumorjev (5).
Klinična slika
Pri večini bolnikov se uvealni melanom
kaže kot neboleča izguba ali izkrivljanje
vida. Lahko pride tudi do zamegljenega vida
in motnjav, ki jih bolnik vidi kot madeže,
niti ali delce pajčevine. Neredko večji
tumorji povzročijo odstop mrežnice, kar se
kaže s svetlobnimi bliski in figurami v vid-
nem polju (fotopsija) (2, 5).
Kadar uvealni melanom prizadene
sprednji del očesa, lahko bolniki sami
opazijo spremembo barve šarenice. Tudi
kronično vnetje očesne veznice (kronični
konjunktivitis) lahko kaže na uvealni mela-
nom. Tumorji ciliarnega telesa lahko pov-
zročijo asimetrični astigmatizem zaradi
premika očesne leče. Bolečina v očesu je
redka, lahko se pojavi sekundarno zaradi
vnetja ali glavkoma (2). Približno tretjina
bolnikov je ob diagnozi asimptomatskih
(2, 5, 10).
Histopatološke lastnosti
Histopatološko delimo uvealne melanome
glede na tip celic v vretenastocelične (slika
2, A), epiteloidnocelične (slika 2, B) ter
mešanocelične, v katerih je vsaj 10 % vsa-
kega tipa celic (2, 3). Vretenastocelični mela-
nomi rastejo počasneje in imajo boljšo
napoved (2). Vretenaste celice so obdane
z gostim mrežjem retikulina in imajo podol-
govata jedra (2, 3). Epiteloidne celice so večje,
imajo obilno citoplazmo in jasne celične
meje (6). Jedro je večje, okroglo, z velikim
eozinofilnim jedrcem (2, 6). Prisotna je izgu-
ba povezanosti z zunajceličnim prostorom
in med sosednjimi celicami (6). Mitotična
aktivnost je večja kot v vretenastih celicah,
epiteloidni tumorji rastejo hitreje in imajo
agresivnejši potek (2, 6).
7Med Razgl. 2024; 63 (1):
melanom žilnice
žilnica
posteriorna
uvea
beločnica
mrežnicamelanom
ciliarnika
ciliarnik
šarenica
ant.
uvea
Slika 1. Tkiva, iz katerih lahko vznikne uvealni melanom (7). Ant. uvea – sprednja (anteriorna) uvea.
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 7
Zasevanje
Ne glede na primarno zdravljenje melano-
ma uvee skoraj polovica bolnikov razvije
zasevke. Zasevanje je hematogeno, najpo-
gosteje v jetra (90–95 %) (2). Po pogostosti
sledijo zasevki v pljuča in kosti (5). Ob
odkritju zasevkov je napoved slaba, s pov-
prečnim pričakovanim preživetjem sedem
mesecev. Za napredovalo bolezen z zasev-
ki ni učinkovitega zdravljenja (3).
Napovedni dejavniki
Velikost tumorja je najpomembnejši klini-
čni napovedni dejavnik, saj vsako poveča-
nje debeline tumorja za milimeter poveča
tveganje za zasevanje v 10 letih za 5 % (2,
3, 5). S slabo napovedjo so povezani (3, 6, 11):
• prisotnost epiteloidnocelične kompo-
nente v tumorju,
• visoka mitotična aktivnost,
• velik povprečni premer desetih največjih
jedrc,
• visoka gostota drobnih žil,
• prisotnost žilnih zank in
• intenzivnejša infiltracija tumorja z lim-
fociti in makrofagi.
Negativni napovedni dejavniki so še (2):
• višja starost bolnika,
• lega tumorja pred ekvatorjem in
• rast skozi beločnico.
8 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
V večini uvealnih melanomov so nena-
ključne kromosomske anomalije na kro-
mosomih 1, 3, 6 in 8, ki lahko služijo kot
napovedni označevalci. Na kromosomu 3 je
zapisan tumor supresorski gen BAP1, kate-
rega inaktivirajoče mutacije so pogoste
v melanomih, ki so zasevali (2). Monosomija
kromosoma 3, velik bazalni premer tumor-
ja in epiteloidnocelični tip so najpomemb-
nejši dejavniki tveganja za smrt zaradi
melanoma uvee (3).
Diagnostika in zdravljenje
uvealnega melanoma
Bolnike s sumljivimi pigmentiranimi lezijami
mora pregledati oftalmolog, ki ima klinično
strokovno znanje o očesnih tumorjih. Klinični
videz in oftalmoskopske lastnosti pomaga-
jo pri razlikovanju majhnih melanomov od
benignih nevusov. Prisotnost subretinalne
tekočine, oranžnega pigmenta in dokumen-
tirana rast na fotografiji fundusa so najdbe,
ki podpirajo diagnozo melanoma (2).
Melanomi imajo na UZ po navadi nizko
notranjo odbojnost. Večja kot je dimenzija
lezije, večja je verjetnost, da je lezija neo-
plastična, z večanjem debeline pa se pove-
čuje tudi možnost oddaljenih zasevkov.
Lezija, debelejša od treh milimetrov, je ver-
jetno melanom. V primerih nejasnosti pri
A B
Slika 2. A – vretenaste celice, B – epiteloidne celice. Sliki sta bili posneti pri 400-kratni povečavi.
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 8
slikovnih preiskavah je potrebna biopsija za
potrditev diagnoze (10).
Diferencialna diagnoza
Klinično pomembni diferencialni diagnozi
uvealnega melanoma sta melanocitni nevus
in zasevki. Zasevki so najpogostejši znotra-
jočesni maligni tumorji. Najpogostejši so
zasevki raka dojke, sledijo zasevki pljučne-
ga raka (2).
Nove možnosti pri analizi
histopatoloških preparatov
Analiza slik histoloških preparatov je lahko
zelo zahtevna, iz česar izvira potreba po
novih metodah, ki bi analizo olajšale. Nove
možnosti se odpirajo predvsem z razvojem
računalniških orodij. Na voljo so pro-
gramska okolja, ki omogočajo delo z digi-
taliziranimi histološkimi preparati, kar
lahko olajša delo patologov, pripomore
k hitrejši in natančnejši diagnozi ter posle-
dično k boljšemu zdravljenju. Pri tem velja
omeniti, da so nekatere storitve plačljive,
npr. Philips IntelliSite Pathology Solutions®
ali Concentriq by Proscia®, nekatere pa so
na voljo brezplačno (12, 13). Na slednje se
bomo osredotočili v tem prispevku.
Z uporabo takšnih okolij lahko vsi upo-
rabniki z dovoljenjem dostopajo do slik, jih
organizirajo, analizirajo ali delijo z drugi-
mi. Na slikah lahko tudi označijo različna
področja ali patološke strukture. Pri tem
oznake ostanejo shranjene v programu, kar
omogoča ponovni pregled preparata s shra-
njenimi oznakami. To lahko olajša konzul-
tacije, saj bi lahko točno označili strukture
ali predele, glede katerih si patolog želi
drugo mnenje.
Programer z ustreznim znanjem lahko
napiše nove, naprednejše modele, s kateri-
mi nadgradi že obstoječo programsko opre-
mo ter olajša delo raziskovalcem. Odvisno
od izbranega okolja in potreb delovne sku-
pine lahko napišemo programe za delo
s slikami po meri. Tovrstni programi lahko
potencialno samodejno razvrstijo (klasifi-
cirajo) tkiva oz. segmentirajo slike. Lahko
bi postavili tudi delovno in najverjetnejše
diferencialne diagnoze ter napovedali pro-
gnozo glede na histopatološke slike.
vloga strojnega učenja pri
segmentaciji slik
Če želimo posamezna tkiva na slikah iden-
tificirati s pomočjo računalniškega progra-
ma, jih moramo najprej pravilno segmenti-
rati, tj. razdeliti na skupine. Pri tem obstajata
dve glavni možnosti.
Če imajo tkiva enostavno določljive
značilnosti, lahko uporabnik sam določi vse
kriterije, jih ročno vnese v kodo programa
in program na podlagi teh kriterijev seg-
mentira tkiva na sliki. Enostavni kriteriji so
lahko npr. prevladujoča barva, pravilna
oblika celic itd.
V kompleksnejših primerih, ki so v ana-
lizi patoloških preparatov pogostejši, so
posamezna tkiva določljiva na podlagi oblik
in velikosti celic ter drugih morfoloških zna-
čilnosti, ki se jih težje enoznačno ročno defi-
nira. V teh primerih so za segmentacijo tkiv
na slikah primernejši modeli strojnega
učenja. Ti se učijo na primerih pravilno seg-
mentiranih slik ter avtomatično poskuša-
jo najti ključna pravila oz. značilnosti teh
tkiv, na podlagi katerih lahko najbolj pra-
vilno segmentirajo nove slike. Množica
slik oz. podatkov, na katerih se model uči,
se imenuje učna množica. Množica slik, na
katerih se v nadaljevanju preverja pravilnost
delovanja modela, se imenuje testna mno-
žica (14).
Predpogoj, da model lahko na slikah
najde omenjene ključne značilnosti, je, da
morajo biti slike narejene v ponovljivih
pogojih ter biti ponovljive kakovosti. V pri-
meru, da je kakovost slik neponovljiva, se
namreč model ne bo uspel naučiti značil-
nosti, na podlagi katerih lahko uspešno seg-
mentira sliko, kar bo vodilo v manjšo
uspešnost modela.
Za učenje modela potrebujemo dovolj
veliko učno množico, ki je sestavljena iz
9Med Razgl. 2024; 63 (1):
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 9
pravilno segmentiranih tkiv. To zahteva
delo usposobljenih strokovnjakov, ki ročno
segmentirajo čim večje število slik, lahko
tudi več tisoč. Pri tem morajo segmentira-
ti vse slike po istih merilih ter z enako
natančnostjo, kar zahteva medsebojno
usklajevanje strokovnjakov pred segmen-
tacijo. V slikah učne množice morajo biti
različna tkiva tudi čim bolj enakovredno
zastopana. Če bodo učne slike namreč vse-
bovale neko tkivo A v 95 % slike, lahko pro-
gram za optimalno točnost preprosto ozna-
či vsa tkiva na sliki kot tkivo A, saj tako
pravilno segmentira 95 % slike. Če pa so na
voljo učne slike, na katerih so enakovred-
no zastopana različna tkiva, model ne bo
dajal posebne teže eni ali drugi vrsti tkiva.
Težavo neenakomerne zastopanosti je
možno delno rešiti s prilagajanjem učenja
modela ali pa z dodajanjem oz. odvzema-
njem ustreznih slik iz učne množice (14).
Ključni, a pogosto spregledani opravi-
li pri segmentiranju slik sta predobdelava
in poobdelava slik. Pri predobdelavi je
bistveno pretvoriti slike tako, da se ohra-
nijo oz. izpostavijo značilnosti slike, ki
bodo modelu predvidoma bolj koristne.
Pogosto se odstrani šum, popravi kontrast,
prilagodi barvni model itd. V predobdela-
vi se po potrebi popravlja slabo segmenti-
rana področja slik s tehnikami, ki odstranijo
neželene artefakte, kot so nepravilna seg-
mentacija drobnih področij znotraj pravil-
no segmentiranih področij (14).
Izbira modela strojnega učenja in nje-
govih nastavitev je močno odvisna od spe-
cifičnega raziskovalnega vprašanja. Zahteva
razumevanje tako delovanja modela kot
tudi specifičnih lastnosti tkiv, ki so prisot-
na na učnih in testnih slikah.
Hipoteza
Naša hipoteza je bila, da lahko napišemo
model, ki bo dovolj zanesljivo določil tipe tkiv
na slikah stekelc s preparati uvealnega
melanoma, ter da lahko ta program uspe-
šno vključimo v programsko opremo za
digitalno shranjevanje, organiziranje in
analizo slik.
METODE
Priprava preparatov in zajem slik
Z Inštituta za patologijo Medicinske fakul-
tete Univerze v Ljubljani smo prejeli digi-
talizirane slike 16 primerov uvealnega
melanoma 14 različnih bolnikov. Vsi so
imeli potrjeno diagnozo uvealnega mela-
noma. Vsi histološki preparati so bili pri-
pravljeni po standardnem postopku proce-
siranja tkiva. Vse histološke rezine so bile
obarvane s hematoksilinom in eozinom
po enakem protokolu v aparatu Ventana HE
600, proizvajalca Ventana Medical Systems
Inc., Arizona, ZDA. Celotne preparate smo
posneli pri 400-kratni povečavi s siste-
mom Nano Zoomer S360 proizvajalca
Hamamatsu, Photonics K. K., Japonska.
Rezultat slikanja so slikovne datoteke
s tremi kanali, ki predstavljajo rdečo, zele-
no in modro barvo (angl. red, green, blue,
RGB), ki so na videz take, kot bi jih posne-
lo človeško oko, in torej intuitivne za ročno
prepoznavanje regij. Datoteke so bile shra-
njene v formatu .ndpi (15).
Programska okolja za delo
s slikami
Za delo s pridobljenimi slikami obstaja več
programskih okolij. Po pregledu razpolo-
žljivih okolij smo se odločili za odprto mikro-
skopsko okolje (angl. Open Microscopy
Environment, OMERO), ki je prosto dostop-
no (16, 17). To je podporno okolje vrste odje-
malec/strežnik za vizualizacijo znanstvenih
slik in njihovo obdelavo. Podpira več kot 140
slikovnih formatov, vključno s formatom
.ndpi, v katerem so bile zapisane naše slike.
Po vzpostavitvi strežnika ter naložitvi slik
nanj je omogočena organizacija slik, upra-
vljanje intenzitete RGB-kanalov, kontrasta ter
ročno določanje interesnih regij (angl. Region
of Interest, ROI) poljubne oblike.
OMERO ima kakovostno dokumentacijo
za osnovna opravila s slikami. Pomembna
10 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 10
lastnost OMERA je možnost pisanja lastnih
programov oz. skript, ki neposredno komu-
nicirajo s strežnikom ter imajo dostop do
vseh podatkov na strežniku. Z njimi se tako
lahko izvajajo analize slik po željah upo-
rabnika. Z uporabo ROI lahko ustvari izre-
zane regije slik ter jih analizira z uporabo
ročno napisanih segmentacijskih postopkov
ali pa z uporabo katerega izmed modelov
strojnega učenja. Okolje omogoča povezo-
vanje s programi, napisanimi v programskih
jezikih Python, Matlab in Jython (18).
Očitna slabost okolja OMERA je pomanj-
kanje že pripravljenih skript za analizo slik
z že naučenimi modeli strojnega učenja.
Težava je delno rešljiva z uporabo modelov
iz knjižnic, napisanih za jezike Python ali
Matlab. Uporabnik mora za analizo slik
napisati lastne skripte, kar je nepraktično
v primerjavi z nekaterimi drugimi pod-
pornimi okolji, ki vsebujejo že napisane
modele, npr. ImageJ z vtičnikom slideJ,
QuPath in Orbit (19–22). Slabost doku-
mentacije je tudi pomanjkljiva razlaga
11Med Razgl. 2024; 63 (1):
dostopanja do spremljevalnih podatkov, ki
jih vsebuje slikovna datoteka. OMERO nudi
povezovanje z drugimi okolji, kot so
CellProfiler, ImageJ, ilastik, Orbit, QuPath
in TrackMate, s čimer omogoča uporabo
dodatnih funkcionalnosti in že napisanih
modelov v drugih okoljih na datotekah,
shranjenih v okolju.
Okolje OMERO nam omogoča dostop do
slik prek katerega koli računalnika, poveza-
nega s strežnikom. Na posamezen računal-
nik lahko naložimo program OMEROinsight,
tj. odjemalec, s katerim lahko uporabljamo
vse funkcionalnosti, ki jih ponuja okolje
OMERO (18). Na sliki 3 je posnetek zaslona
med uporabo OMEROinsight.
Program OMEROinsight ni edina mož-
nost za dostop do slik. Do njih lahko dosto-
pamo tudi prek spletnega brskalnika, na
strani omero.web, ki ima zelo podoben
uporabniški vmesnik (18). Dostop prek
spletne strani omogoča opazovanje slik,
spreminjanje osnovnih nastavitev prikaza
in shranjevanje interesnih regij, ne omogoča
Slika 3. Prikaz programa OMEROinsight. Na levi je meni, kjer izbiramo med mapami. Na sredini je prika-
zana vsebina mape. Na desni so prikazani podatki o izbrani sliki.
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 11
pa nalaganja novih slik, kar je mogoče le
v programu OMEROinsight.
Možnost segmentacije
Kot že omenjeno, lahko na slikah označimo
ROI. Področja lahko označimo s pravokot-
no, okroglo, točkovno ali poligonalno označ-
bo. Področja, ki pripadajo istemu tkivu,
lahko razvrstimo v skupno mapo za lažjo
organizacijo, vsakemu področju posebej pa
lahko dodamo tudi komentar, kot je pona-
zorjeno s primerom na sliki 4.
Metode strojnega učenja
Ob vključitvi metod strojnega učenja v raz-
vrščanje tkiv na slikah uvee sta bila
pomembna dva premisleka. Prvi je bila
izbira učne množice, ki je morala vključe-
vati dovolj raznolike in številčne primere
tkiv. Drugi je bila izbira metode strojnega
učenja, kjer smo želeli uporabiti preprosto
12 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
in učinkovito metodo, ki bi brez ogromne
količine truda uspešno prepoznala pojav-
nost tumorskih celic na slikah preparatov
ter tako predstavljala hitro izvedljivo reši-
tev, ki bi se jo lahko kombiniralo z upora-
bo digitalnega podpornega okolja in tako
olajšalo delo specialističnega kadra.
Okviren razvoj modela strojnega učenja
za določanje tipov tkiva na sliki je prikazan
na sliki 5. Iz ročno segmentiranih slik ste-
kelc smo pri 100-kratni povečavi izvozili
posamezne ROI z eno samo vrsto tkiva.
Povečava je bila izbrana tako, da so se
posamezne celice še vedno dobro ločile med
seboj, hkrati pa je bila velikost posamezne
datoteke dovolj majhna za hitro delovanje
programov. Za delo je bilo izbranih nasled-
njih 11 tkiv oz. tkivnih struktur, razvršče-
nih po abecednem redu:
• beločnica,
• ciliarnik,
Slika 4.Označevanje regij v programu OMEROinsight. Na preparatu so označene regije s prikazanim komen-
tarjem, npr. imenom tkiva. V pojavnem oknu zgoraj levo je prikazan seznam skupin interesnih regij, ki so
označene na preparatu.
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 12
• eksudat,
• epiteloidne tumorske celice,
• krvne žile,
• mrežnica,
• roženica,
• šarenica,
• vidni živec,
• vretenaste tumorske celice in
• žilnica.
Slike tkiv smo razrezali na manjše kvadra-
te velikosti 100 × 100 slikovnih pik (v nada-
ljevanju sličice), ki so služili kot baza poda-
tkov za kasnejše učenje modela. Velikost
posamezne sličice je bila izbrana tako, da
je bila sličica dovolj velika, da je gotovo vse-
bovala reprezentativen primer tkiva in
s tem vse potrebne informacije, hkrati pa
dovolj majhna, da smo za vsako tkivo imeli
na voljo dovolj unikatnih primerov.
Izbrana tkiva so se razlikovala po bar-
vah, zato se model ni učil na samih sliči-
cah, ampak na preprostejši reprezentaciji
sličic. Tako smo dosegli hitrejše delovanje
modela in večjo odpornost na usmerjenost
vzorca med slikanjem, saj je bil pomemben
le barvni videz celic, ne pa njihova usme-
ritev v prostoru. Najprej smo za vsako
RGB-sličico njene tri kanale, ki predstavljajo
rdečo, zeleno in modro barvo, pretvorili
v drugi barvni prostor, v katerem trije
kanali ponazarjajo odtenek, nasičenost in
intenzivnost (angl. Hue, Saturation, Value,
HSV), saj je pri obarvanih histopatoloških
vzorcih poleg same barve pomembno tudi,
kako intenzivno obarvano je tkivo. Nato
smo za vsako sličico izračunali barvni
histogram, ki ponazarja porazdelitev barv
v tkivu. Barvna ločljivost histograma je zna-
šala 256, tako je bila vsaka sličica na račun
uporabe vrednosti za odtenek, nasičenost
in intenziteto opisana s trikrat toliko šte-
vilčnimi vrednostmi oz. z vektorjem dolži-
ne 768. Histogram kot preprostejša repre-
zentacija sličice je služil kot podatek v bazi
za učenje modela. Ime mape, v kateri se je
nahajala sličica, je služilo kot oznaka podat-
ka. En vnos v bazi podatkov je bil tako sesta-
vljen iz barvnega histograma sličice in
imena tkiva. Na sliki 6 sta prikazani sliči-
ci beločnice in epiteloidnih celic s pripa-
dajočima barvnima histogramoma.
Baza podatkov je vsebovala 9.503 ozna-
čenih barvnih histogramov. Tkiva so bila
13Med Razgl. 2024; 63 (1):
slike stekelc sličice tkiv
klasifikacijski
model
rezultat
Slika 5. Prikaz poteka razvoja programske opreme. Iz shranjenih slik stekelc v okolju OMERO smo ustvarili
bazo slikovnih primerov za različna tkiva. Na podlagi teh primerov se je učil razvrščevalni model, ki je nato
na podani novi sliki lahko ocenil prisotnost tumorskega tkiva.
mr24_1_Mr10_2.qxd  25.3.2024  9:57  Page 13
z izjemo žil med sabo približno enako zasto-
pana. Za vsako tkivo je bilo na voljo 500–900
primerov za učenje, za žile pa približno 100,
ker zanje ni mogoče najti večjega območja,
ki bi bilo v celoti zapolnjeno s tem tkivom.
Baza podatkov je bila naključno razdeljena na
učno množico, ki je vsebovala 75% vnosov
v bazo, in testno množico, ki je vsebovala pre-
ostalih 25% vnosov. Izbrana metoda stroj-
nega učenja je bila metoda podpornih vek-
torjev (angl. Support Vector Machine, SVM),
ki se je izkazala kot uporabno orodje za avto-
matsko ravrščanje tkiv (23). Metoda med
učenjem razvršča podatke v razrede, pri
čemer skuša postaviti pravila za opis posa-
meznih razredov. Pravila so takšna, da razre-
de med sabo karseda učinkovito razmejijo
(14). SVM je bila kot demonstracijska meto-
da za razvrščanje preprostih reprezentacij sli-
čic tkiv v ustrezne razrede uporabljena zara-
di preprostosti njene implementacije ter
krajšega časa učenja modela v primerjavi
z določenimi naprednejšimi metodami stroj-
nega učenja, prav tako je bila nevarnost pre-
komernega prilagajanja modela podatkom
ocenjena kot zadovoljivo nizka. Za namen te
študije je bila uporabljena implementacija
metode podpornih vektorjev v prosto dostop-
14 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
ni programski knjižnici scikit-learn (24).
Uporabili smo linearno obliko jedra, pri
čemer je bila za parameter regularizacije za
namen kaznovanja napačnih odločitev mode-
la uporabljena vrednost 1,0. Razvrščanje
podatkov v izbrano število razredov je pote-
kalo kot množica binarnih ravrstitev in ne kot
simultana razvrstitev vseh kategorij tkiv.
REZULTaTI
Opredelitev uspešnosti
razvrščevalnega modela
Za opredelitev uspešnosti razvrščevalnega
modela smo se poslužili treh pogosto upo-
rabljenih metrik. To so:
• točnost (angl. accuracy),
• občutljivost (angl. sensitivity) in
• specifičnost (angl. specificity).
Sestavljene so iz različnih kombinacij mož-
nih rezultatov, to so pravilno pozitivni
(angl. true positive, TP), pravilno negativni
(angl. true negative, TN), lažno pozitivni
(angl. false positive, FP) in lažno negativni
(angl. false negative, FN) rezultati (14).
Točnost je definirana kot razmerje med
količino pravilnih napovedi in količino
Z
a
st
o
p
a
n
o
st
 b
a
rv
n
e
 v
re
d
n
o
st
i 
v 
sl
ik
i
0 50 100 150 200 250
Barvna vrednost
Odtenek
Nasičenost
Intenziteta
Z
a
st
o
p
a
n
o
st
 b
a
rv
n
e
 v
re
d
n
o
st
i 
v 
sl
ik
i
0 50 100 150 200 250
Barvna vrednost
Odtenek
Nasičenost
Intenziteta
Slika 6. Primer barvnih histogramov za različni tkivi. Obe strani sta sestavljeni iz 100 × 100 slikovnih pik
velike sličice tkiva in barvnega histograma, ki ga sestavljajo tri krivulje različnih barv, ki predstavljajo vred-
nosti za odtenek, nasičenost in intenzivnost na sličici. Na levi je prikazana beločnica, desno pa epiteloidne
tumorske celice.
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 14
vseh napovedi oz. (TP + TN)/(TP + TN + FP +
FN). Občutljivost je definirana kot delež pra-
vilno ugotovljenih pozitivnih izidov med
vsemi pozitivnimi izidi oz. TP/(TP + FN) in
je pomembna, kadar imajo lažno negativni
izidi visoko ceno. Pomen visoke občutlji-
vosti se v medicini pokaže, kadar zaradi pre-
kinitve izvajanja nadaljnjih preiskav ob
negativnem rezultatu testa nastane huda
škoda na bolnikovem zdravju. Pogosteje
nastane večja škoda, če bolnemu človeku
rečemo, da je zdrav, kot pa če zdravega
pošljemo na dodatne preiskave, zaradi česar
je zelo pomembna visoka vrednost te metri-
ke. Specifičnost je po drugi strani definirana
kot delež pravilno ugotovljenih negativnih
izidov med vsemi negativnimi izidi oz.
TN/(TN + FP). Iz definicije sledi, da visoka
specifičnost na račun redkih lažno pozi-
tivnih izidov zmanjša potrebo po dodatnem
testiranju za potrditev izida. Obe metriki
imata tako velik pomen v medicinski dia-
gnostiki.
Model je tako obravnaval učno množi-
co, naučeno shranil v model za kasnejšo
uporabo in s pomočjo testne množice izra-
čunal statistiko uspešnosti za vsako tkivo
posebej, prikazano v tabeli 1, ter splošno sta-
tistiko za model, prikazano v tabeli 2.
Tabeli 1 in 2 opisujeta, kako uspešen je
model, ko razvršča novo sličico velikosti
100 × 100 slikovnih pik, shranjeno pri 100-
kratni povečavi, na kateri je izrazito zasto-
pana ena vrsta tkiva. V testni množici so
namreč shranjene sličice, pridobljene na
enak način kot sličice v učni množici, saj je
bila baza sličic povsem naključno razdeljena
na učno in testno množico. Statistika na tej
točki tako še ne opisuje, kako uspešen bi
bil model pri segmentiranju območja, na
15Med Razgl. 2024; 63 (1):
Tabela 1. Statistika uspešnosti modela po tkivih. Prvi stolpec vsebuje tkiva, ki so bila zajeta v analizo, nadaljnji
stolpci pa metrike uspešnosti za vsako tkivo, izražene v deležih brez enot.
Tkivo Občutljivost Specifičnost
Beločnica 0,87 0,99
Ciliarnik 0,44 0,99
Eksudat 1,00 1,00
Epiteloidne tumorske celice 0,95 0,99
Krvne žile 0,75 1,00
Mrežnica 0,89 0,98
Roženica 0,92 0,97
Šarenica 0,78 0,95
Vidni živec 0,89 0,99
Vretenaste tumorske celice 0,96 0,99
Žilnica 0,74 0,99
Tabela 2. Splošna statistika uspešnosti modela. Metrike so izražene v deležih brez enot. Točnost modela
je 0,85.
Mere modela Občutljivost Specifičnost
Mere modela brez obteženosti 0,84 0,99
Mere modela, obtežene glede na zastopanost tkiva 0,85 0,98
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 15
katerem je prisotnih več vrst tkiv, je pa opri-
jemljiv pokazatelj obnašanja modela na
primerih, analognih zbranim v bazi.
Iz tabele 2 sledi, da je splošna točnost
modela 85-%, kar zajema razvrščanje vseh
tkiv. Za postavitev diagnoze je najpomemb-
nejša pravilna identifikacija tumorskega
tkiva, kar opisuje občutljivost v tabeli 1. Ta
znaša 95% za epiteloidne tumorske celice in
96 % za vretenaste tumorske celice. Model
torej na sliki preparata uspešno prepozna
tumorsko tkivo, njegova celokupna točnost
pa je nižja na račun slabšega prepoznavanja
tkiv, kot sta ciliarnik in šarenica. Tu se je
treba spomniti, da največji delež uvealnih
melanomov predstavljajo melanomi žilnice,
medtem ko so melanomi ciliarnika in šare-
nice redkejši. Poraja se torej vprašanje, ali bi
pri tako nizki občutljivosti za ciliarnik in šare-
nico lahko tvegali neuspešno prepoznavo
melanoma ciliarnika ali šarenice. Odgovor
je negativen in izvira iz načina, kako je
model zasnovan. Model slike očesa ne raz-
deli na tkiva in ne išče tumorskih sprememb
v prepoznanih tkivih ali ob njih, temveč pre-
gleda celotno sliko in zazna prisotnost
tumorskega tkiva popolnoma neodvisno od
sosednjih vrst tkiva. Zanima ga samo lokal-
na barvna porazdelitev na preiskovanem
območju, na podlagi katere prepozna vrsto
tkiva. Gre torej za prepoznavanje vzorca, ki
ga tvori posamezno tkivo, in ne za logično
sklepanje, ki ga je ob ogledu slike sposoben
specialist patologije, ki na podlagi znanja iz
histologije in patologije lahko prepozna
patološko spremembo. V analizo bi bilo
mogoče vključiti tudi prostorsko informacijo,
kar bi verjetno izboljšalo rezultat razvršča-
nja, saj bi algoritem odločitve sprejemal na
podlagi bolj raznolikih podatkov.
Matrika zmot
Pravilne in napačne napovedi za vsa tkiva
smo povzeli v matriki zmot, ki je prikaza-
na na sliki 7. Matrika zmot je transparen-
ten način prikaza podatkov, iz katerega
lahko sklepamo o medsebojnih zamenjavah
16 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
pri razvrščanju tkiv. Da bi zajeli še infor-
macijo glede količine testnih primerov za
vsako tkivo, vrednosti v matriki nismo nor-
malizirali. V njej lahko za izbrano tkivo odči-
tamo, kolikokrat je model podal pravilno oz.
napačno napoved, kar omogoča tudi ugo-
tavljanje morebitnih medsebojnih zame-
njav. V idealnem primeru, v katerem do
napačnih napovedi sploh ne bi prišlo, bi na
diagonalnih mestih imeli število testnih pri-
merov za vsako tkivo, izven diagonale pa bi
bile ničelne vrednosti. V našem primeru so
vrednosti izven diagonale konsistentno
bistveno nižje od diagonalnih, izstopajo pa
napovedi v primeru ciliarnika. Slednji je bil
večkrat napačno razvrščen v druge katego-
rije, kar se ujema z izračunano občutljivostjo
v tabeli 1. Pri drugih tkivih ne prihaja do dra-
stičnih odstopanj oz. zamenjav.
Preizkus modela
Po ugotovljeni zadovoljivi uspešnosti ravrš-
čanja posameznih tkiv smo model preiz-
kusili na večjih testnih slikah, ki so
vsebovale različna tkiva ter bile prav tako
kot primeri za učenje shranjene pri 100-krat-
ni povečavi. Pri izbiri teh slik smo bili
posebno pazljivi, da zagotovo niso bile del
učne ali testne množice. Tako smo zagoto-
vili, da smo model preizkusili na primerih,
ki jih nikoli prej ni videl, hkrati pa je to
korak dlje od opisa uspešnosti modela, kot
ga predstavljata tabeli 1 in 2.
Metoda drsečega okna
Model za preizkus je testno sliko obdelal
z metodo drsečega okna (angl. sliding win-
dow), ki je uveljavljena tehnika pri tovrstnih
nalogah (25). Metoda deluje tako, da se okno
velikosti (2n+1)x(2n+1) slikovnih pik naj-
prej umesti v levi zgornji kot. Nato se pre-
mika proti desni za eno slikovno piko
naenkrat. Ko dokonča vrsto, se vrne nazaj
na začetek vrste, se premakne eno slikovno
piko nižje in nadaljuje desno do konca
vrste. Tako skenira celotno sliko, pri čemer
vsak del slike »vidi« večkrat. Na vsaki pozi-
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 16
ciji drsečega okna model izračuna barvni
histogram območja, ki ga okno trenutno
pokriva. S poprej shranjenim modelom
histogram razvrsti in tako določi tkivo, ki
naj bi pokrivalo območje okna. Ker je za dia-
gnostiko najpomembnejše uspešno prepo-
znavanje tumorskega tkiva, vrne tudi kopijo
vhodne slike, na kateri je pobarvano območ-
je, zaznano oz. razvrščeno kot tumorsko
tkivo. Posamezna slikovna pika na sliki je
pobarvana takrat, ko je bilo kot tumorsko
tkivo prepoznano celotno okno, katerega
sredinska točka je ravno ta slikovna pika.
Na ta način smo dosegli natančno določa-
nje mej posameznega prepoznanega tkiva.
Velikost drsečega okna in predobdela-
va slike sta bili določeni z željo po kom-
promisu med uspešnostjo in računsko zah-
tevnostjo. Ker drseče okno vsak del slike
obdela večkrat, je razvrščanje velike slike
dolgotrajna in zahteva veliko količino delov-
nega pomnilnika. Samo na večjih slikah
z različnimi območji pa lahko jasno preve-
rimo, ali model res loči tumorsko tkivo od
vseh ostalih. Slik, ki prikazujejo več razli-
čnih območij in ki so bile shranjene pri
100-kratni povečavi, ni bilo mogoče razvr-
stiti z osebnim računalnikom pri velikosti
okna, kot je bila določena pri učenju mode-
la, zaradi prevelike zahtevane prostornine
17Med Razgl. 2024; 63 (1):
Ciliarnik
C
il
ia
rn
ik
Eksudat
E
k
su
d
a
t
Epiteloidne
tumorske celice
E
p
it
e
lo
id
n
e
tu
m
o
rs
k
e
 c
e
li
ce
Mrežnica
M
re
ž
n
ic
a
Roženica
R
o
ž
e
n
ic
a
Šarenica
Š
a
re
n
ic
a
Krvne žile
K
rv
n
e
ž
il
e
Žilnica
Ž
il
n
ic
a
Živec
Ž
iv
e
c
Vretenske
tumorske celice
V
re
te
n
sk
e
tu
m
o
rs
k
e
 c
e
li
ce
Beločnica
B
e
lo
čn
ic
a
D
e
ja
n
sk
a
 v
re
d
n
o
st
Napovedana vrednost
Slika 7.Matrika zmot. Na navpični osi se nahajajo dejanske kategorije vnosov v testni množici, na vodo-
ravni pa vrednosti, kot jih je napovedal model. Za lažjo predstavo so polja obarvana glede na vsebovano
vrednost.
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 17
(kapacitete) pomnilnika. Zato so bile pred
testiranjem slike pomanjšane na četrtino
svoje velikosti, kar ni preseglo razpoložlji-
vega pomnilnika, hkrati pa je bilo zaradi
tega treba ponovno določiti tudi velikost
okna. Ker so bile testne slike shranjene pri
enaki povečavi kot učne slike in hkrati
pomanjšane na četrtino, je tudi velikost
okna pri testiranju znašala četrtino velikosti
okna pri učenju, povečano za eno slikovno
piko v vsaki smeri, tako da je bila vsaka stra-
nica dolga liho število slikovnih pik in je
bilo mogoče enostavno določiti sredinsko
slikovno piko. Velikost okna je tako znaša-
la 51 × 51 slikovnih pik. Vsa koda je bila
napisana v programskem jeziku Python in
vključena v podporno okolje.
18 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
Primeri delovanja modela
Trije različni primeri delovanja modela so
prikazani na slikah 8, 9 in 10. Vsak par slik
predstavlja enako območje. Prva slika pri-
kazuje izvorno sliko. Na drugi sliki je z zele-
no barvo označeno območje, ki ga je model
prepoznal kot območje z vretenastimi ali
epiteloidnimi tumorskimi celicami.
Na sliki 8 je prikazan primer uspešne
razvrstitve. Model pravilno označi območ-
je s tumorskim tkivom. Prav tako se pra-
vilno izogne označevanju žil znotraj tumorja
in jasno preneha z označevanjem na meji
med tumorjem ter beločnico.
Na sliki 9 je prikazan še en primer
uspešne razvrstitve. Model pravilno ozna-
či skoraj celo območje s tumorskim tkivom,
A
B
Slika 8. Primer uspešne razvrstitve. A – izvorna slika, B – slika, na kateri je z zeleno barvo označeno območje,
prepoznano kot tumorsko tkivo.
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 18
pri čemer izpusti le majhna območja tumor-
skih celic na meji med tumorjem in belo-
čnico. Tudi tukaj pravilno izpusti območja
znotraj tumorja, ki ne vsebujejo tumor-
skih celic, in preneha z označevanjem na
delu tumorja, kjer se začne mrežnica.
Na sliki 10 je prikazan primer manj
uspešne razvrstitve. Model pravilno označi
le tisti del tumorja, ki ne vsebuje nekroze.
RaZPRava
Uspešnost modela strojnega učenja je nepo-
sredno odvisna od kakovosti vhodnih poda-
tkov v učni in testni množici (14). To vodi-
lo se lepo kaže tudi na naših primerih.
Model je prejel veliko količino slikovnih pri-
merov vretenastih in epiteloidnih tumorskih
celic, ki so vsebovali zgolj in samo te celi-
ce. Posledici sta dve, po eni strani se model
pri označevanju uspešno izogne žilam zno-
traj tumorja, po drugi strani pa sploh ne
označi dela tumorja, ki vsebuje nekrozo.
Slednje bi lahko rešili tako, da bi v učno in
testno množico tkivom dodali še razred
nekroze, da bi se model naučil tudi zna-
čilnosti tovrstnih regij. Vključitev prime-
rov nekroze in ostalih anomalij v tumor-
skem tkivu je odvisna od razpoložljivosti
slik preparatov, ki vsebujejo tovrstna
območja, saj bi za uspešno učenje modela
morali nabrati primerno število primerov,
kar nam predstavlja izhodišče za nadaljnje
delo. Vsekakor je bolje, da model označi pre-
veliko območje, kot pa premajhno, saj je
19Med Razgl. 2024; 63 (1):
A
B
Slika 9. Primer uspešne razvrstitve. A – izvorna slika, B – slika, na kateri je z zeleno barvo označeno območje,
prepoznano kot tumorsko tkivo.
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 19
cena dodatnih preiskav zanemarljiva v pri-
merjavi s ceno, ki jo plača nezdravljen bol-
nik.
Možnosti nadaljnjega razvoja
Diagnostika in napoved prognoze
Uspešna avtomatska segmentacija tkiv in
identifikacija tumorskega tkiva sta dobro
izhodišče za nadaljnji razvoj. Kot smo ome-
nili že v uvodu, bi na podlagi uspešno raz-
vrščenih regij lahko program podal delovno
in najverjetnejše diferencialne diagnoze. Pri
slednjih bi lahko podal še stopnjo verjet-
nosti in jih po verjetnosti tudi razvrstil. Tako
bi zdravnikom potencialno olajšali odloči-
tev za dodatne teste ter jim ob negativnih
ali neprepričljivih rezultatih testov pri-
hranili čas in miselni napor pri kasnejšem
iskanju diferencialnih diagnoz.
Poleg diagnostike bi programsko opre-
mo lahko razširili tudi v model napovedi
prognoze, ko bi bila ustrezna diagnoza že
postavljena. Model bi temeljil na že obsto-
ječem, trenutnim kategorijam tkiv pa bi
dodali še kategorije, kot so nekroza, krva-
vitve, vnetja itd. Poleg tega za posamezne
regije ne bi obravnavali zgolj lokalne bar-
vne porazdelitve, ampak bi za vsako sliko
samodejno izračunali tudi druge parame-
tre, za katere obstaja povezava s prognozo.
Med pomembnejšimi prognostičnimi dejav-
niki, ki bi jih lahko dodatno upoštevali, so
velikost tumorja, njegova lokacija v očesu,
prevladujoč tip celic, velikost jeder celic
20 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
A
B
Slika 10. Primer manj uspešne razvrstitve. A – izvorna slika, B – slika, na kateri je z zeleno barvo označeno
območje, prepoznano kot tumorsko tkivo.
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 20
(povprečna vrednost in standardni odklon
površine, obsega in dolžine ter širine jedrc),
povprečni premer desetih največjih jeder,
prisotnost žilnih zank in mitotično aktiv-
nost (2, 3, 5, 6, 10).
Uporaba naprednejših metod strojnega
učenja
Po omembi možnosti nadaljnjega razvoja
na področju diagnostike in napovedi pro-
gnoze se velja vrniti k izbiri metode stroj-
nega učenja za namen razvrščanja posa-
meznih tkiv na slikah preparatov. Za
uporabo v histopatologiji je bilo do danes
preizkušenih že veliko metod strojnega
učenja. Pomembno se je zavedati, da so
različne metode primerne za različne pri-
mere in da povsem univerzalna rešitev ne
obstaja (26).
Predvsem prognostični dejavniki, kot
sta npr. velikost jeder celic in lokacija
tumorskega tkiva v očesu, vključujejo tudi
prostorsko informacijo, kjer ni pomembna
le lokalna porazdelitev barvnih odtenkov.
Da bi segmentaciji dodali informacijo
o možni prognozi, bi bilo treba poseči po
naprednejših metodah strojnega učenja, ki
bi namesto izračunanega histograma upo-
števali celovito informacijo, ki jo ponuja
slika.
Med doslej najuspešnejšimi rešitvami
na tem področju so sistemi, ki temeljijo na
globokem učenju, kot so npr. globoke kon-
volucijske nevronske mreže v primeru štu-
dije pljučnih tkiv in pristop s šibko nadzo-
rovanim globokim učenjem, ki ne zahteva
ročnega označevanja obsežne množice
učnih primerov (27, 28). Tovrstni primeri
dosegajo zanesljivost zdravnikov speciali-
stov patologije in resnično ponujajo mož-
nost velikega časovnega prihranka, so pa
tudi bolj kompleksni in zahtevajo več načr-
tovanja. Ob tem bi izpostavili prednost
našega sistema, ki je enostavnejši in hkra-
ti vseeno dosega zadovoljivo uspešnost, da
bi bil lahko v podporo specialistu patolo-
gije pri sprejemanju odločitev.
Uporaba sistema pri drugih patoloških
spremembah
Koncepti, ki stojijo za programskim okoljem
in razvrščevalnim modelom, so prenoslji-
vi tudi na druge patološke spremembe.
Delovanje modela ni vezano na število
različnih tkiv, pomembno je le, da se tkiva
vizualno ločijo med sabo. Za vsako novo
bolezensko spremembo, ki bi jo želeli
obravnavati na tak način, je potrebna izgrad-
nja baze podatkov ter učenje modela.
Uporaba hiperspektralnega slikanja
Digitalna patologija se v večji meri osre-
dotoča na digitalizirane RGB-slike histolo-
ških preparatov. Skupine, ki se raziskovalno
ukvarjajo s patologijo, v svojih raziskavah
obravnavajo tudi uporabo multispektral-
nega in hiperspektralnega slikanja ter
morebitne prednosti teh tehnik pred obi-
čajnimi RGB-slikami (29). Hiperspektralna
slika lahko za razliko od RGB-slike s tremi
kanali vsebuje tudi več sto kanalov in tako
ponuja veliko informacij, tudi v območjih
izven vidne svetlobe, ki so človeškemu
očesu nedosegljiva (30).
V tehniki hiperspektralnega slikanja
leži velik potencial za nadaljnji razvoj oko-
lja, opisanega v tem članku. Model bi imel
na voljo večjo količino informacij, ki bi zaje-
le tudi bolj občutljive in težje zaznavne last-
nosti posameznih tkiv. Predpostavljamo, da
bi na takšnih slikah model lahko s še večjo
gotovostjo prepoznal posamezna tkiva, saj
bi bil bolj občutljiv na podrobnosti, ki na
običajni RGB-sliki morda sploh ne bi bile
vidne (30). Vključevanje te tehnike v naše
podporno okolje za zdaj presega okvire
tega članka.
ZaKLjUČKI
V članku smo opisali postavitev okolja za
delo s slikami, ki omogoča delo na daljavo,
shranjevanje, organizacijo in analizo slik.
Razvili smo program, ki na sliki označi
izbrana tkiva, prepoznana z metodami stroj-
nega učenja. Obetajo se tudi možnosti
21Med Razgl. 2024; 63 (1):
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 21
nadaljnjega razvoja v avtomatskem posta-
vljanju diagnoze ali ocenjevanju prognoze.
Koncepti, predstavljeni v članku, so upo-
rabni tudi za druge patološke spremembe
in načine slikanja, kot npr. hiperspektralno
slikanje.
22 Razvoj programske opreme za digitalno analizo histopatoloških vzorcev uvealnega melanoma
LITERaTURa
1. Mayo Clinic. Where eye melanoma occurs [internet]. Mayo Clinic, 2020 [citirano 13. oktober 2023]. Dostopno
na: https://www.mayoclinic.org/diseases-conditions/eye-melanoma/symptoms-causes/syc-20372371
2. Beek van G, Koopmans AE, Verdijk RM, et al. Diagnosis, histopathologic and genetic classification of uveal
melanoma. In: Guy Huynh Thien Duc, Melanoma – From early detection to treatment. London: IntechOpen;
2013. p. 137–73. doi: 10.5772/53631.
3. Laver NV, McLaughlin ME, Duker JS. Ocular Melanoma. Arch Pathol Lab Med. 2010; 134 (12): 1778–84. doi:
10.5858/2009-0441-RAR.1.
4. Krantz BA, Dave N, Komatsubara KM, et al. Uveal melanoma: Epidemiology, etiology, and treatment of primary
disease. Clin Ophthalmol. 2017; 11: 279–89. doi: 10.2147/OPTH.S89591.
5. Kaliki S, Shields CL. Uveal melanoma: Relatively rare but deadly cancer. Eye (Lond). 2017; 31 (2): 241–57. doi:
10.1038/eye.2016.275.
6. McLean IW, Saraiva VS, Burnier MN Jr. Pathological and prognostic features of uveal melanomas. Can J
Ophthalmol. 2004; 39 (4): 343–50. doi: 10.1016/s0008-4182(04)80004-8.
7. Xu Y, Lou L, Wang Y, et al. Epidemiological study of uveal melanoma from US surveillance, epidemiology,
and end results program (2010–2015). J Ophthalmol. 2020; 3614039. doi: 10.1155/2020/3614039.
8. Virgili G, Gatta G, Ciccolallo L, et al. EUROCARE Working Group. Incidence of uveal melanoma in Europe.
Ophthalmology. 2007; 114 (12): 2309–15. doi: 10.1016/j.ophtha.2007.01.032.
9. Jancar B, Budihna M, Drnovsek-Olup B, et al. Prognostic factors of choroidal melanoma in Slovenia,
1986–2008. Radiol Oncol. 2016; 50 (1): 104–12. doi: 10.1515/raon-2015-0009.
10. Chattopadhyay C, Kim DW, Gombos DS, et al. Uveal melanoma: From diagnosis to treatment and the science
in between. Cancer. 2016; 122 (15): 2299–312. doi: 10.1002/cncr.29727.
11. Kaliki S, Shields C, Shields J. Uveal melanoma: Estimating prognosis. Indian J Ophthalmol. 2015; 63 (2): 93–102.
doi: 10.4103/0301-4738.154367.
12. Philips digital and computational pathology product portfolio [internet]. Koninklijke Philips NV, 2004–2020
[citirano 2020 Sep 1]. Dosegljivo na: https://www.usa.philips.com/healthcare/solutions/pathology/pathology
13. Proscia: Pathology software for the modern digital laboratory [internet]. Proscia Inc., 2020 [citirano 2020 Sep 1].
Dosegljivo na: https://proscia.com/
14. Alpaydin E. Introduction, Supervised learning, Kernel machines, Design and analysis of machine learning exper-
iments. In: Alpaydin A. Introduction to machine learning. Cambridge: MIT press; 2020. p. 1–22, 23–50, 395–432,
597–642.
15. Deri L, Martinelli M, Bujlow T, et al. nDPI: Open-Source High-Speed Deep Packet Inspection. 2014. NDPI: Open-
source high-speed deep packet inspection. IWCMC 2014 – 10th International Wireless Communications and
Mobile Computing Conference, p. 617–22. doi: 10.1109/IWCMC.2014.6906427.
16. Allan C, Burel JM, Moore J, et al. OMERO: flexible, model-driven data management for experimental biology.
Nat Methods. 2012; 9 (3): 245–53. doi: 10.1038/nmeth.1896.
17. Moore J, Linkert M, Blackburn C, et al. OMERO and Bio-Formats 5: Flexible access to large bioimaging datasets
at scale. In: Ourselin S, Styner MA, uredniki. Medical Imaging 2015: Image Processing. Bellingham: SPIE-
International Society for Optical Engineering. 2015; 941307: 37–42. doi: 10.1117/12.2086370.
18. OMERO 5.6.2 Documentation [internet]. The Open Microscopy Environment, 2000–2020 [citirano 2020 Sep
1]. Dosegljivo na: https://docs.openmicroscopy.org/omero/5.6.2/
19. Schindelin J, Rueden CT, Hiner MC, et al. The ImageJ ecosystem: An open platform for biomedical image
analysis. Mol Reprod Dev. 2015; 82 (7–8): 518–29. doi: 10.1002/mrd.22489.
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 22
20. Della Mea V, Baroni GL, Pilutti D, et al. SlideJ: An ImageJ plugin for automated processing of whole slide images.
PLoS One. 2017; 12 (7): e0180540. doi: 10.1371/journal.pone.0180540.
21. Bankhead P, Loughrey MB, Fernández JA, et al. QuPath: Open source software for digital pathology image
analysis. Sci Rep. 2017; 7 (1): 16878. doi: 10.1038/s41598-017-17204-5.
22. Stritt M, Stalder AK, Vezzali E. Orbit image analysis: An open-source whole slide image analysis tool. PLoS
Comput Biol. 2020; 16 (2): e1007313. doi: 10.1371/journal.pcbi.1007313.
23. Noble WS. What is a support vector machine? Nat Biotechnol. 2006; 24 (12): 1565–7. doi: 10.1038/nbt1206-1565.
24. Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine Learning in Python, JMLR. 2011; 12 (85): 2825–30.
25. Rowley HA, Baluja S, Kanade T. Human face detection in visual scenes. Adv Neural Inf Process Syst 8. 1996;
875–81.
26. Jimenez-del-Toro O, Otálora S, Andersson M, e. al. Analysis of histopathology images: From traditional machine
learning to deep learning. In: Depeursinge A, Biomedical Texture Analysis. Amsterdam: Elsevier; 2017. p. 281–314.
doi: 10.1016/B978-0-12-812133-7.00010-7.
27. Coudray N, Ocampo PS, Sakellaropoulos T, et al. Classification and mutation prediction from non–small
cell lung cancer histopathology images using deep learning. Nat Med. 2018; 24 (10): 1559–67. doi: 10.1038/
s41591-018-0177-5.
28. Campanella G, Hanna MG, Geneslaw L, et al. Clinical-grade computational pathology using weakly supervised
deep learning on whole slide images. Nat Med. 2019; 25 (8): 1301–9. doi: 10.1038/s41591-019-0508-1.
29. Ortega S, Halicek M, Fabelo H, et al. Hyperspectral and multispectral imaging in digital and computational
pathology: A systematic review. Biomed Opt Express. 2020; 11 (6): 3195–233. doi: 10.1364/BOE.386338.
30. Amigo JM. Hyperspectral and multispectral imaging: Setting the scene. In: Amigo JM, Data handling in Science
and Technology. Volume 32. Hyperspectral imaging. Amsterdam: Elsevier; 2020. p. 3–16. doi: 10.1016/B978-
0-444-63977-6.00001-8.
Prispelo 11. 3. 2021
23Med Razgl. 2024; 63 (1):
mr24_1_Mr10_2.qxd  25.3.2024  9:58  Page 23