An Information-Extreme Algorithm for Universal Nuclear Feature-Driven Automated Classification of Breast Cancer Cells

Abstract

Діагностика раку молочної залози значною мірою спирається на гістопатологічну оцінку, яка схильна до суб'єктивності та неефективності, особливо при використанні зображень цілих зрізів (WSI). Це дослідження спрямоване на усунення цих обмежень шляхом розробки автоматизованого алгоритму класифікації клітин раку молочної залози, використовуючи інформаційно-екстремальний підхід машинного навчання та універсальні цитологічні ознаки. Метою є досягнення об'єктивної та узагальненої гістопатологічної діагностики. Методи: Оцифровані гістологічні зображення оброблялися для ідентифікації гіперхроматичних клітин. З окремих клітин було виділено 21 цитологічну ознаку (10 геометричних та 11 текстурних), обраних за їхній потенційний універсальний характер для різних видів раку. Ці ознаки потім використовувалися для класифікації клітин як нормальних або злоякісних за допомогою інформаційно-екстремального алгоритму. Цей алгоритм оптимізує інформаційний критерій у бінарному просторі Геммінга для досягнення надійного розпізнавання з мінімальною кількістю вхідних ознак. Архітектурна інновація полягає в застосуванні цього інформаційно-екстремального підходу до аналізу цитологічних ознак для класифікації ракових клітин. Результати: Функціональна ефективність алгоритму була оцінена на наборі даних зі 176 маркованих зображень клітин, що дало багатообіцяючі результати: точність 89%, прецизійність 85%, повнота 84% та F1-показник 88%. Ці метрики демонструють збалансовану та ефективну модель для автоматизованої класифікації клітин раку молочної залози. Висновки: Запропонований інформаційно-екстремальний алгоритм, що використовує універсальні цитологічні ознаки, пропонує потенційно об'єктивну та обчислювально ефективну альтернативу традиційним методам і може зменшити деякі обмеження глибокого навчання в гістопатологічному аналізі. Майбутня робота буде зосереджена на валідації алгоритму на більших наборах даних та дослідженні його застосовності до інших типів раку.

Breast cancer diagnosis heavily relies on histopathological assessment, which is prone to subjectivity and inefficiency, especially with whole-slide imaging (WSI). This study addressed these limitations by developing an automated breast cancer cell classification algorithm using an information-extreme machine learning approach and universal cytological features, aiming for objective and generalized histopathological diagnosis. Methods: Digitized histological images were processed to identify hyperchromatic cells. A set of 21 cytological features (10 geometric and 11 textural), chosen for their potential universality across cancers, were extracted from individual cells. These features were then used to classify cells as normal or malignant using an information-extreme algorithm. This algorithm optimizes an information criterion within a binary Hamming space to achieve robust recognition with minimal input features. The architectural innovation lies in the application of this information-extreme approach to cytological feature analysis for cancer cell classification. Results: The algorithm’s functional efficiency was evaluated on a dataset of 176 labeled cell images, yielding promising results: an accuracy of 89%, a precision of 85%, a recall of 84%, and an F1-score of 88%. These metrics demonstrate a balanced and effective model for automated breast cancer cell classification. Conclusions: The proposed information-extreme algorithm utilizing universal cytological features offers a potentially objective and computationally efficient alternative to traditional methods and may mitigate some limitations of deep learning in histopathological analysis. Future work will focus on validating the algorithm on larger datasets and exploring its applicability to other cancer types.