AbsztraktHáttér A mesterséges intelligencia célja inVesehegesedés(AIRS) tanulmányának célja gépi tanulási eszközök kifejlesztése a nem invazív számszerűsítéshezvese fibrózisképalkotó szkennelésekből. Módszerek Retrospektív elemzést végeztünk azokon a betegeken, akiknél egy vagy több hasi komputertomográfiás (CT) vizsgálaton esett át 6 hónapon belül.vese biopszia. A végső kohorsz 92 beteg 152 CT-vizsgálatát foglalta magában, amelyek 300 natív veséről és 76 veséről készültek felvételeket.veseátültetés. Két különböző konvolúciósneurális hálózatok(szeletszintű és voxelszintű osztályozók) tesztelték a súlyos és az enyhe/közepes fokú megkülönböztetésére.vese fibrózis($50% versus 50%).Intersticiális fibrózisés tubularis atrófia pontszámok -bólvese biopsziaa jelentéseket alapigazságként használták fel. Eredmények A két gépi tanulási modell hasonló pozitív prediktív értéket ({{0}}.886 versus 0.935) és pontosságot (0.831 versus 0.879) mutatott. Következtetések Összefoglalva, a gépi tanulási algoritmusok ígéretes, nem invazív diagnosztikai eszközökszámszerűsíteni a vesefibrózistCT-vizsgálatokból. Ezeknek az előrejelző eszközöknek a klinikai hasznát a vesebiopszia és a kapcsolódó vérzési kockázatok elkerülése szempontjából súlyos fibrózisban szenvedő betegeknél még validálni kell a prospektív klinikai vizsgálatok során.
MENNYI IDEIG TELJES, HOGY A CISTANCHE MŰKÖDIK A VESEBETEGEKNÉL?
Bevezetés
Az ultrahanggal vezérelt perkután vesebiopszia továbbra is az ellátás standardja, amikor a proteinuria, a mikroszkopikus hematuria, a transzplantátum kilökődése vagy a megmagyarázhatatlan veseműködési zavarok kezeléséhez szövettani diagnózis szükséges (1, 2). A vesefibrózis mértéke vagy a CKD súlyossága gyakran ismeretlen a vesebiopszia idején (3). A súlyos (0,50%-os) fibrózist feltáró vesebiopszia tisztázhatja a betegség diagnózisát, de nem valószínű, hogy megváltoztatja a klinikai kezelést, és a betegeket az eljárással összefüggő vérzés kockázatának teszi ki (4). A biopszia utáni szövődmények az átmeneti vérömlenytől az életveszélyes vérzésig terjednek, és olyan kockázati tényezőkkel korrelálnak, mint a magas vérnyomás, előrehaladott életkor, vérszegénység, alacsony vérlemezkeszám, csökkent veseműködés és vérzéscsillapítási rendellenességek (5). Egy 118,064 ultrahang-vezérelt vesebiopsziát tartalmazó közelmúltbeli metaanalízis szerint a vérátömlesztés, az angiográfiás beavatkozás és a halálesetek aránya 2%, 0,3%, illetve 0,06% volt (6).
A CKD súlyosságának értékelése kritikus fontosságú a vesebiopszia kockázatainak és előnyeinek mérlegelésekor, de a fibrózis mértékének értékelésére szolgáló noninvazív eszközök még nem eléggé fejlettek (7). Az ultrahangos technikákat feltáró tanulmányok (beleértve a nyírási hullámsebesség képalkotását, a tranziens elaszográfiát, a valós idejű elasztográfiát, a Doppler-szonográfiát és az ultrahangos kortikomedulláris feszültséget) ellentmondó korrelációt mutattak ki a fibrózis mértékével a veseszövettanban (3, 8, 9). Ezen túlmenően ezek a módszerek erősen függnek a külső tényezőktől, mint például a vérnyomás, a vesesúly, a testtömeg és az alkalmazott jelátalakító erő, nem beszélve a nagy intra- és interobserver variabilitásról (3). Egy közelmúltbeli jelentés szoros összefüggést talált közöttükultrahanggal meghatározott veseméret becsült vesefunkcióval (eGFR), de nem értékeltékvesefibrózis(10). Kirpalani et al. beszámolt arról, hogy a mágneses rezonancia képalkotó elasztográfia ígéretes volt a merevségi pontszámok és a vesefibrózis közötti korreláció szempontjából (11), de nem vizsgálta a gépi tanulási eszközöket a prediktív pontosság optimalizálásának eszközeként.
A számítógépes tomográfia (CT) lehetővé teszi a veseszövet nagy felbontású képalkotását a páciens minimális sugárterhelése mellett (7). Gépi tanulási technológia kombinációbanA CT-képalkotással való kezelés ígéretes út a nema vese invazív értékeléseFibrosis, a jelenlegi helyettaz ellátás szövettani színvonala. Konvolúciós mély tanulásA neurális hálózatok (CNN) a gépi tanulás új formájaing, amely el tudja különíteni a releváns mintákat az övétőltológiát, képalkotást vagy más, a betegségre hasznos klinikai adatokat
jellemzés (12,13). A CNN diagnosztikai technológiáját számos területen vizsgálták, kezdve az intracranialis vérzéstől és a ráktól a tüdőgyulladásig ésvakbélgyulladás (14–17).
Az Artificial Intelligence in Renal Scarring (AIRS) című tanulmány célja olyan CNN-eszközök kifejlesztése, amelyek segítségével számszerűsíthető a vesefibrózis, mint a vesebiopszia számítógépes diagnosztikai alternatívája. Két CNN-algoritmust (szeletszintű és voxelszintű osztályozót) képeztek ki a natív és transzplantált vesék CT-képének elemzésére, hogy osztályozzák a fibrózis mértékét, ugyanazon betegek vesebiopsziáiból származó fibrózis pontszámok alapján. Ebben a kísérleti elemzésben az enyhe/közepes és súlyos fibrózis (50% versus 50%) elkülönítésére összpontosítottunk, mint klinikailag releváns dichotómiára, amely hasznos lehet egy nefrológus számára, aki a páciense vesebiopsziáját fontolgatja. Bemutatjuk, hogy a CNN algoritmusok nagy pontossággal meg tudják különböztetni a súlyos és enyhe/közepes vesefibrózist
Anyagok és metódusok
Betegadatbázis Ez a Kaliforniai Egyetem Irvine Orvosi Központjában 2014 és 2019 között elvégzett vesebiopsziák retrospektív elemzése volt. Olyan betegeket azonosítottunk, akiknél 1 dollár értékű hasi CT-vizsgálatot végeztek a vesebiopsziát követő 6 hónapon belül. Az orvosi nyilvántartási rendszer kezdeti szűrése után 42 képalkotó beteget kizártak a következő okok miatt: CT vizsgálat a felvételi időszakon kívül (0,6 hónap a biopszia dátumától, n53); hasi mágneses rezonancia képalkotás, de nem található CT a rendszerben (n56); a betegek véletlenül kihagyták az annotálási folyamatot (n52); natív vesék nem szegmentálva olyan betegnél, aki átültetett (n51); gyenge minőségű beolvasás hardveres műtermékkel (n51); és külső képalkotó vizsgálatok, amelyeket nem tároltak a hosszú távú képalkotó archívumban (n529). A fennmaradó 152 CT-felvételt 92 betegről letöltöttük, és az axiális lágyszövet rekonstruált térfogatát további elemzés céljából kinyertük. A CT-vizsgálatok többségét (79%) intravénás kontrasztanyag nélkül végezték; 129 szkennert Philips szkenneren, 22-t Siemens szkenneren és egyet GE Medical Systems szkenneren végeztek.
Egy patológus (JEZ) véletlenszerűen kiválasztott betegeket vizsgált meg, hogy megbizonyosodjon arról, hogy a fibrózis mértékét pontosan dokumentálták a vesebiopsziás jelentések. Diszkontáns betegeknél egy második patológus átnézte a tárgylemezeket, hogy meghatározza az alapigazságot (lásd: Köszönetnyilvánítás). A biopsziás jelentésekből származó vesefibrózis alapvető fokát bináris eredményként kezelték: enyhe/közepes vagy súlyos (intersticiális fibrózis és tubuláris atrófia, 50% versus 50%). Az átültetett betegek CT-vizsgálata során a natív veséket automatikusan súlyos fibrózisnak minősítették. A demográfiai adatokat és a komorbid állapotokat egy REDCap adatbázisban gyűjtötték össze, és a CT-képeket az alábbiakban leírtak szerint lehetett elérni. Minden kutatási eljárást jóváhagyott a Kaliforniai Egyetem Irvine Institutional Review Boardja.
Annotáció
A CT-felvételeket kórházunk Képarchiváló és Kommunikációs Rendszeréből egy biztonságos belső adatbázisba vittük át. Egyedi, szabadalmaztatott webalapú annotációs eszközt használtak a natív jobb és bal veséknek megfelelő háromdimenziós bináris maszkok létrehozására, valamint az esetleges veseátültetésekre, ha vannak ilyenek. Az annotációs eszközt egy egyszerű ecset segédprogramként valósították meg küszöbértékek vagy fejlett kontúrozási funkciók nélkül. Két hallgatói kutató (HRT, KAPR) szolgált a fő annotátorként, és egy vezető radiológus (PDC) ezt követően minden egyes pácienst áttekintett, és szükség esetén finomította az érdeklődésre számot tartó terület megjegyzéseit.
Kép előfeldolgozása
A megjegyzésekkel ellátott vesetérfogat-maszkokat sablonként használva minden vesét levágtunk, és újra mintát vettünk egy izotróp 96 3 96396 voxeltérfogatra. Ez az újramintavételező operaEz szükséges annak biztosításához, hogy az összes modellbemenet azonos mátrixméretű legyen, és hogy alkalmazkodjanak a grafikus feldolgozó egység memóriájának korlátaihoz. Mivel a kötetek voltakelőször a jobb és a bal vesére vágva, és mivel a vesék az eredeti CT-térfogatnak csak egy kis részét teszik ki, a végső újramintavételezett voxelméretek res-ben hasonlóak voltak.megoldást az eredeti adatokra. Ezután minden egyes levágott kötetet normalizáltunk úgy, hogy az összes voxelértéket 2150-250 Hounsfield Units tartományba vágtuk, és 1:50-es faktorral skáláztuk. BármiEbben az adatkészletben egyetlen vizsga legfeljebb három egyedi levágott vesét tartalmazhat, amelyeket az algoritmus betanításához használnak: (natív) bal, (natív) jobb és transzplantáció. Bármelyik gyereknekney, összesen 96 kétdimenziós (2D) képet (96396-os méretű) használtunk a képzéshez.
CNN megközelítés
Két különböző egyedi 2D CNN hálózatot teszteltek és hasonlítottak össze, hogy megkülönböztessék a súlyos és enyhe/közepes vesefibrózist. Az első algoritmus egy szabványos globálisszeletenkénti CNN osztályozó, amelyet úgy terveztek, hogy megjósolja a három egymást kizáró kategória egyikét minden 2D-s képhez: vese nélküli, enyhe/közepes fibrózis és súlyos fibrózis. AA második algoritmus egy pixel szintű CNN osztályozó, amelyet egy teljesen konvolúciós U-Net architektúrán keresztül valósítanak meg, hogy egyidejű szegmentálást és osztályozást hajtsanak végre. Ban ben
Mindkét modell esetében a végső osztályozás figyelmen kívül hagyja a vesék nélküli szeleteket vagy voxeleket, és a fennmaradó előrejelzésekre a többségi szabályt összesítik. Mindkét algoritmus implementálva vanaz ImageNet Large Scale Visual Recognition Challenge 2017-es legjobban teljesítő modellje, a legmodernebb összenyomás és gerjesztésű hálózati architektúra (18) használatával.A squeeze-and-gerjesztő hálózati megközelítés lehetővé teszi a hálózatok számára, hogy tanulással adaptívan újrakalibrálják a csatorna szerinti jellemzőválaszokat a különböző modellbemenetek alapján.
a csatornák közötti kölcsönös függőségeket (1. ábra).
1. ábra|A mélytanulási algoritmus által generált előrejelző hőtérképek, amelyek azonosítják a feltételezett "súlyos" fibrózis területeit a vesén belül. Balról jobbra a normáltól a súlyos fibrózisig terjedő vesék láthatók a becsült fibrotikus parenchyma progresszív mértékével. A végső átlagos softmax normalizált előrejelzések a teljes vesére az alsó sorban láthatók, 0.0 és 0.2 között; 0.2–0.4;{0}}.4–0.6; 0.6–0.8; és 0,8–1,0.
Globális szeletenkénti osztályozó
A globális CNN osztályozó egy egyedi VGG-eredetű architektúra, amelyet minden rétegen összenyomó gerjesztő modulokkal valósítanak meg. A modell bemenete egyetlen 2D (96396) szeleta modell kimenete pedig egy háromelemű logitvektor, amely háromosztályos előrejelzést reprezentál. A CNN négy konvolúciós blokkból áll, ahol minden blokk 333-nak van definiálvakonvolúció, köteg normalizálás és ReLU összesen háromszor megismétlődött. A részmintavételezést minden blokk végén egy kettes lépéssel konvolúción keresztül hajtják végre. Után
négy konvolúciós blokk (12 réteg), a végső jellemzőtérképet lelapítják, és bemenetként használják egyetlen teljesen összekapcsolt rétegbe.
Voxel szintű osztályozó
A voxel szintű CNN osztályozó egy egyedi U-Netderived architektúra, amelyet minden rétegen összenyomó gerjesztő modulokkal valósítanak meg (19). A modell bemenete egyetlen 2D (96396) szelet, a modell kimenete pedig egyetlen 2D (96396) szegmentációs maszk, három osztályú előrejelzéssel minden voxelhelyen. A CNN négy összehúzódó konvolúciós blokkból áll, ahol minden blokk 333-as konvolúcióként van meghatározva, kötegelt normalizálásként és összesen háromszor megismételt Leaky ReLU-ként. A részmintavételezést minden blokk végén egy kettes lépéssel konvolúción keresztül hajtják végre. Négy konvolúciós blokk (12 réteg) után a műveletek megfordulnak egy azonos hálózati architektúrán keresztül, a lendületes konvolúciók helyettesítésével (al-mintavételezés) konvolúciós transzponálásokkal (upsampling).
Neurális hálózat megvalósítása
A softmax keresztentrópia veszteség függvény mindkét modell optimalizálására szolgál. Az optimalizálást Adam technikával (20) végeztük, exponenciális b1 és b2 csillapítási sebességgel.{{0}}.9-re, illetve 0,999-re. A tanulási sebesség 131023. A köteg mérete nyolcra van állítva, összesen 25 000 oktatási iterációval. Az inicializáláshoz Xavier normalizálást használnaka súlyok edzés előtt (21). Az algoritmus kódja Python 3.6, TensorFlow 2.1.{5}} és Keras 1.0.8 könyvtárban íródott. A hálózatot a házon belüli grafikus feldolgozóegység-fürtünkön képezték ki, amely 48 Nvidia GeForce RTX 2080 Ti és 12 GeForce RTX Titánt tartalmaz. A globális osztályozó átlagosan 30 percet edzett kísérletenként, míg a voxel alapú osztályozó 2-4 órát edzett kísérletenként.
Értékelés
A képzési folyamat értékeléséhez ötszörös kereszt-validációs stratégiát alkalmaztunk. Bár minden betegtől legfeljebb három különböző vesét kezeltek egyénileg aA képzési folyamat során egyetlen pácienstől származó összes kötet ugyanabba a keresztellenőrzési csoportba kerül az adatszivárgás megelőzése érdekében. Az adatkészletet 80:20 arányban osztottuk fel, majd betanították a80%-át, míg a másik 20%-ot validálásra használták fel. A képzést összesen ötször megismételtük különböző 80:20-as felosztásokkal, amíg a teljes adatkészletet teljesen validálták
A teljes adatkohorszra vonatkozó kísérletek mellett további alkohorsz-elemzéseket is végeztek a lehetséges zavaró változók értékelésére. Rétegezést alkalmaztakaz intravénás kontraszt státusza és az atrófiás natív vesék kizárása a transzplantáción átesett betegeknél. Továbbá a modell általánosíthatóságának értékeléséhez modA kizárólag a Philips és a GE szkennerekből kiképzett elek kizárólag a Siemens szkennerekből származó adatokkal érvényesültek.
Statisztika
Vizsgálatunk célja az volt, hogy a vese CT képalkotás során különbséget tegyünk az enyhe/közepes fokú fibrózis és a súlyos fibrózis között. A többségi szabályt mindkét megközelítésben használták (globális szeletről szeletreés voxel alapú) a súlyosságának meghatározásáhozFibrosis.A két megközelítés közötti teljesítmény értékeléséhezpontosság, érzékenység, speciFiváros, pozitív prediktív érték(PPV) és negatív prediktív érték (NPV) számítottunkkésleltetett és összehasonlított. Működő vevőegység alatti területgörbét (AUC) is kiszámítottuk a softmax változtatásávalponthatár aFiBrosis ClassiFikation és az eredménymindkét megközelítéshez megrajzolt görbe az összehasonlításhoz. Leírása statisztikai adatokat átlagként jelentik6SD.
