АЛГОРИТМ ДІАГНОСТИКИ ПУХЛИН МОЛОЧНОЇ ЗАЛОЗИ ЗА ПАРАМЕТРАМИ ОРГАНІЗАЦІЇ КОЛАГЕНУ
DOI:
https://doi.org/10.32471/exp-oncology.2312-8852.vol-44-no-4.19137Ключові слова:
колаген, рак молочної залози, фіброаденома молочної залози.Анотація
Зміни в кількісних параметрах і просторовій структурі колагену є визнаним і ключовим діагностичним та прогностичним фактором, що асоціюється з розвитком багатьох злоякісних новоутворень, у тому числі і раком молочної залози (РМЗ). Метою роботи була розробка алгоритму верифікації параметрів дезорганізації колагену як інформативних атрибутів, асоційованих із перебігом РМЗ, з використанням елементів штучного інтелекту. Матеріали та методи: Дослідження виконано на зразках пухлинної тканини 5 пацієнток з фіброаденомами молочної залози та 20 хворих на РМЗ І–ІІ стадії. Ідентифікацію колагену в тканині новоутворень молочної залози проводили гістохімічним методом за Малорі. Морфометричні дослідження проводили з використанням програмного забезпечення CurveAlign v. 4.0. beta та ImageJ. Результати: Розроблено та протестовано на зразках операційного матеріалу алгоритм верифікації параметрів дезорганізації колагену як інформативних атрибутів, асоційованих із перебігом РМЗ. Показано, що колагенові волокна у тканині РМЗ характеризуються достовірно нижчими значеннями довжини (р < 0,001) та ширини (р < 0,001), а також більшою прямолінійністю (р < 0,001) та орієнтацією (р < 0,05) у порівнянні з аналогічними показниками у тканині фіброаденом. Не виявлено достовірної різниці у щільності колагенових волокон в тканині доброякісних та злоякісних новоутворень молочної залози. Висновки: Розроблений алгоритм дозволяє оцінювати широкий спектр морфометричних параметрів колагенових волокон в пухлинній тканині, у тому числі визначати їх просторову орієнтацію, а також характеристики та щільність просторової фібрилярної сітки.
Посилання
Sung H, Ferlay J, Siegel RL, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 2021; 71: 209–49. doi: https://doi.org/10.13322/caac.21660
Fedorenko Z, Soumkina O, Gorokh Ye, et al. Cancer in Ukraine 2020-2021: Incidence, mortality, prevalence and other relevant statistics. Bull Nat Cancer Registry Ukr 2022; 23: 89.
McDonald ES, Clark AS, Tchou J, et al. Clinical diagnosis and management of breast cancer. J Nucl Med 2016; 57: 9S–16S. doi: https://doi.org/10.12967/jnumed.115.157834
Marcos-Garcés V, Harvat M, Molina Aguilar P, et al. Comparative measurement of collagen bundle orientation by Fourier analysis and semiquantitative evaluation: reliability and agreement in Masson’s trichrome, Picrosirius red and confocal microscopy techniques. J Microsc 2016; 267: 130–42. doi: https://doi.org/10.11111/jmi.12553
Dziedzic-Goclawska A, Rozycka M, Czyba JC, et al. Application of the optical Fourier transform for analysis of the spatial distribution of collagen fibers in normal and osteopetrotic bone tissue. Histochemistry 1982; 74: 123–37. doi: https://doi.org/10.11007/BF00495058
Chekhun V. Symbiosis of medical technologies and artificial intelligence: new opportunities in oncology. Exp Oncol 2022; 44: 90–2. doi: https://doi.org/10.132471/ exp-oncology.2312-8852.vol-44-no-2.17951
Insua-Rodríguez J, Oskarsson T. The extracellular matrix in breast cancer. Adv Drug Deliv Rev 2016; 97: 41-55. doi: https://doi.org/10.11016/j.addr.2015.12.017
Levental KR, Yu H, Kass L, et al. Matrix crosslinking forces tumor progression by enhancing integrin signaling. Cell 2009; 139: 891–906. doi: https://doi.org/10.11016/j.cell.2009.10.027
Gurrala R, Byrne CE, Brown LM, et al. Quantifying breast cancer-driven fiber alignment and collagen deposition in primary human breast tissue. Front Bioeng Biotechnol 2021; 9: 618448. doi: https://doi.org/10.13389/fbioe.2021.618448
Despotović SZ, Milićević ĐN, Krmpot AJ, et al. Altered organization of collagen fibers in the uninvolved human colon mucosa 10 cm and 20 cm away from the malignant tumor. Sci Rep 2020; 10: 6359. doi: https://doi.org/10.11038/s41598-020-63368-y
Xu S, Xu H, Wang W, et al. The role of collagen in cancer: from bench to bedside. J Transl Med 2019; 17: 309. doi: https://doi.org/10.11186/s12967-019-2058-1
Keikhosravi A, Li B, Liu Y, et al. Non-disruptive collagen characterization in clinical histopathology using cross-modality image synthesis. Commun Biol 2020; 3: 414. doi: https://doi.org/10.11038/s42003-020-01151-5
Mostaço-Guidolin LB, Ko AC, Wang F, et al. Collagen morphology and texture analysis: from statistics to classification. Sci Rep 2013; 3: 2190. doi: https://doi.org/10.11038/srep02190
Xi G, Qiu L, Xu S, et al. Computer-assisted quantification of tumor-associated collagen signatures to improve the prognosis prediction of breast cancer. BMC Med 2021; 19: 273. doi: https://doi.org/10.11186/s12916-021-02146-7
Xi G, Guo W, Kang D, et al. Large-scale tumor-associated collagen signatures identify high-risk breast cancer patients. Theranostics 2021; 11: 3229–43. doi: https://doi.org/10.17150/thno.55921
Dumas D, Werkmeister E, Hupont S, et al. Non-Invasive second harmonic generation (SHG) in macroscopy (MacroSHG) as bio-diagnosis to image collagen network organization in extracellular matrix. Engineering 2014; 6: 485–90.
Gailhouste L, Le Grand Y, Odin C, et al. Fibrillar collagen scoring by second harmonic microscopy: a new tool in the assessment of liver fibrosis. J Hepatol 2010; 52: 398–406. doi: https://doi.org/10.11016/j.jhep.2009.12.009
Morkunas M, Zilenaite D, Laurinaviciene A, et al. Tumor collagen framework from bright-field histology images predicts overall survival of breast carcinoma patients. Sci Rep 2021; 11: 15474. doi: https://doi.org/10.11038/s41598-021-94862-6
Liu Y, Keikhosravi A, Mehta GS, et al. Methods for quantifying fibrillar collagen alignment. Methods Mol Biol 2017; 1627: 429–51. doi: https://doi.org/10.11007/978-1-4939-7113-8_28
Morkunas M, Zilenaite D, Laurinaviciene A, et al. Tumor collagen framework from bright-field histology images predicts overall survival of breast carcinoma patients. Sci Rep 2021; 11: 15474. Published 2021 Jul 29. doi: https://doi.org/10.11038/s41598-021-94862-6
Ritika B, Aneecia G, Apoorva C. Detection of breast cancer using neural networks — a review. J Clin Biomed Sci 2015: 5: 143–8.
Agrawal S, Agrawal J. Neural network techniques for cancer prediction: a survey. Procedia Comp Sci 2015; 60: 769–74. doi: https://doi.org/10.11016/j.procs.2015.08.234
Chekhun VF, Lukianova NYu, Polishchuk LZ, et al. The role of lactoferrin expression in initiation and progression of most common hormone-dependent cancers. Horizons Cancer Res 2017; 66: 51–85.
Bodelon C, Mullooly M, Pfeiffer RM, et al. Mammary collagen architecture and its association with mammographic density and lesion severity among women undergoing image-guided breast biopsy. Breast Cancer Res 2021; 23: 105. doi: https://doi.org/10.11186/s13058-021-01482-z
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Експериментальна онкологія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
