Ocena blizn nerkowych za pomocą sztucznej inteligencji (badanie AIRS) Ⅱ

Wyniki

Obydwa modele zostały przeszkolone i zweryfikowane łącznie na podstawie 152 tomografii komputerowej od 92 pacjentów, wśród których było 148 lewych nerek, 152 prawych nerek i 73przeszczepić nerki. Charakterystykę pacjentów podsumowano w Tabeli 1; U 55 pacjentów występowało minimalne lub łagodne (<25%) zwłóknienie, 14 pacjentów sklasyfikowano jako umiarkowane (25%–50%) zwłóknienie, a 23 pacjentów miało ciężkie (>50%) zwłóknienie. Średni eGFR wyniósł odpowiednio 37626 w porównaniu z 25618 w porównaniu z 16613 ml/min na 1,73 m2, odpowiednio w grupach z łagodnym, umiarkowanym i ciężkim zwłóknieniem. Pacjenci z łagodnym/umiarkowanym zwłóknieniem zostali pogrupowani do analizy z pacjentami z ciężkim zwłóknieniem w obrazowaniu CT nerek;średnia objętość nerekwynosiło 217 cm3 (zakres 48–668) w porównaniu z 76 cm3 (zakres 3–347) w grupach z łagodnym/umiarkowanym i ciężkim (<50% w porównaniu z 50%) zwłóknieniem. W przypadku jednego pacjenta biopsja dała niezgodne wyniki w zakresie zwłóknienia (porównując raport z karty medycznej z bieżącą oceną patologa), a podstawową prawdę ustalono na podstawie ślepej oceny przeprowadzonej przez drugiego patologa (patrz Podziękowania).

cistanche treat kidney disease

JAK DŁUGO DZIAŁA CISTANCHE U PACJENTÓW Z NERKAMI?

Podczas walidacji krzyżowej model przekrojowy dał całkowite AUC wynoszące 0,917, podczas gdy podejście oparte na wokselach dało całkowite AUC wynoszące 0,922 (Rysunek 2). Dokładność, czułość, swoistość, PPV i NPV modelu przy różnych progach ocenianych w obu algorytmach CNN podsumowano w Tabeli 2. Przy progu predykcji wynoszącym {{10}},5, fragmentacja Metoda -slice dała nam dokładność 0.831, czułość 0.817, swoistość {{20}}.852, PPV 0.886 i NPV wynosząca 0,767. Przy tym samym progu przewidywania wynoszącym 0,5 podejście oparte na wokselach dało podobne wyniki z dokładnością 0,879, czułością 0,853 i swoistością {{35} },916, PPV 0,935 i NPV 0,816. Podejście oparte na wokselach w porównaniu z podstawowymi raportami patologicznymi daje 13 wyników fałszywie dodatnich (łagodne/umiarkowane zwłóknienie sklasyfikowane jako ciężkie), 32 fałszywie ujemne (nie wykryto ciężkiego zwłóknienia; wskaźnik błędnych wyników 15%), 187 wyników prawdziwie dodatnich i 141 wyników prawdziwie ujemnych .

Wyniki warstwowych analiz podkohort przedstawiono w Tabeli 3. Ogólna wydajność w obu modelach była podobna po wykluczeniu badań po podaniu kontrastu i/lubwykluczenie zanikowych nerek natywnychu pacjentów, którzy przeszli przeszczep. Niewielki spadek wydajności (dokładność {{0}}.86) zaobserwowano szczególnie w przypadku strategii CNN opartej na wokselach po usunięciu badań postkontrastowych; wszystkie inne permutacje wykazały dokładność 0,90 USD. Dodatkowo ogólna możliwość uogólnienia modelu została zachowana po stratyfikacji zbioru uczącego (Philips, GE) i zbioru walidacyjnego (Siemens) wyłącznie przez producenta. Porównanie naszych narzędzi prognostycznych i innych badań CNNoceniana choroba nerekparametry to sumamarized w tabeli 4.

Echinacoside of cistanche can improve kidney function

Dyskusja

Zainicjowaliśmy badanie AIRS, aby opracować narzędzia do uczenia maszynowegookreślić ilościowo zwłóknienie nerekjako nieinwazyjna alternatywa diagnostyczna dla biopsji nerki. W kohorcie 92 pacjentów przeanalizowaliśmy 300natywne obrazy nereki 73 przeszczepionych nerek ze 152 tomografii komputerowej jamy brzusznej. Odkryliśmy, że globalne modele CNN typu „wycinek po kawałku” i oparte na wokselach były podobne w różnicowaniu ciężkich i łagodnych/umiarkowane zwłóknienie nerek, z AUC {{0}},917 w porównaniu z 0,922 i PPV 0,886 w porównaniu z 0,935, w porównaniu z podstawową prawdą zraporty z biopsji nerek. Oba modele CNN zachowywały się spójnie w testach z różnymi tomografami komputerowymi i po wykluczeniu natywnych nerek zanikowych u pacjentów, którzy przeszli przeszczep; globalny model wycinkowy miał nieco lepszą dokładność przewidywania, gdy testowano tylko tomografię komputerową bez kontrastu.

Diagnostyczna biopsja nerki pozostaje standardem postępowania, gdy konieczna jest diagnostyka histologiczna w celu ustalenia postępowania w przypadku białkomoczu, odrzucenia przeszczepu lub niewyjaśnionej nerkidysfunkcja (1,2). Jednakże decyzja o wykonaniu natywnej biopsji nerki może być złożona, zwłaszcza jeśli pacjent stosuje leczenie przeciwzakrzepowe lub cierpi na niedokrwistość lub małopłytkowość, co może zwiększać ryzyko poważnych powikłań,w tym transfuzje krwi, interwencje angiograficzne,i śmierć (ogólny współczynnik wypadków 2%, 0,3% i 0,06%,odpowiednio) (6). Nieinwazyjne narzędzia do oceny stopnianerekfibrosis brakuje (7) i do chwili obecnej nie ma utiZoptymalizowane narzędzia do uczenia maszynowego, aby zminimalizować subiektywność istronniczość. Narzędzia te mogą okazać się przydatne, gdy zostaną ocenione wkontekście innych markerów przewlekłej niewydolności nerek(e.g., podwyższony poziom parathormonu i fosforanów). W parw szczególności przewidywanie poważnych (.50%) fiBrosis może usprawiedliwiaćunikanie biopsji nerki, ponieważ pacjent by tego nie zrobiłbyć kandydatem do terapii immunomodulującej (i.e.,biopsja nie zmieniłaby postępowania klinicznego). Ta informacjaTaka rozmowa jest cenna na przykład w obecności pacjentówz zaawansowaną niewydolnością nerek i nieznanym stanem medycznymtorys. Dodatkowe przejścia igłą biopsyjną w celu optymalizacji

pobranie kłębuszków do badania histologicznego z azwłókniona nerkamoże prowadzić do zwiększonego ryzyka krwawienia (22). Jeśli analiza tomografii komputerowej CNN przewiduje, że ciężki stopień zwłóknienia jest przewidywany, zespół medyczny może podjąć decyzję o ograniczeniu pobierania próbek z biopsji lub całkowitym uniknięciu biopsji nerki, po podjęciu decyzji wspólnie z pacjentem. Warto zauważyć, że według uznania nefrologa, w przypadku pozornie schyłkowej nerki, wykonanie natywnej biopsji diagnostycznej nerki może być nadal wskazane w celu oceny kandydatury do przeszczepu lub ustalenia etiologii choroby ogólnoustrojowej.

Zauważyliśmy, że próg przewidywania wynoszący 0,5 najlepiej sprawdza się pod względem przyszłej przydatności w podejmowaniu decyzji klinicznych, przy czym celem jest identyfikacja pacjentów zzaawansowana nerkafibrosis, a tym samym uniknąć inwazyjnej biopsjioraz potencjalne powikłania krwotoczne omówione powyżej.W przypadku modelu CNN opartego na wokselach próg 0,5 byłby odpowiedni

zidentyfikować 85% osób z zaawansowanym zwłóknieniem nerek przy PPV wynoszącym 94% (Tabela 2). Podniesienie progu do 0.9 nieznacznie poprawiłoby PPV do 95%, ale drastycznie zmniejszyłoby czułość z 85% do 72% (tj. pominęłoby 28% osób z ciężkim zwłóknieniem).

effect of cistanche improve kidney function (2)

Obecnie głównym ograniczeniem proponowanego algorytmu jest wymóg ręcznego zdefiniowania obszaru zainteresowania dla każdej nerki przed przewidywaniem głębokiego uczenia się.

Należy jednak zauważyć, że chociaż w ramach tego badania wygenerowano trójwymiarowe kontury nerek, prognoza dla każdego nowego pacjenta (tzn. poza treningiem) wymagała zdefiniowania jedynie grubej kostki ograniczającej wokół nerki(nerek). . Opracowywane są algorytmy segmentacji całych nerek w oparciu o głębokie uczenie się, które ułatwiłyby w pełni zautomatyzowany, kompleksowy proces (23,24). Innym ograniczeniem jest to, że niejednorodność stopnia zwłóknienia w pojedynczej nerce może być źródłem błędów w prawdzie i walidacji algorytmu. W tym badaniu zdecydowaliśmy się potraktować priorytetowo kompromis w postaci uwzględnienia większej liczby potencjalnie zaszumionych danych (poddano segmentacji całe nerki) zamiast wykorzystania niewielkiej ilości czystych danych; z empirycznego punktu widzenia strategia ta jest powszechna w zadaniach głębokiego uczenia się dużych zbiorów danych, a nasza obserwacja AUC przewidywania algorytmu wynosząca 0,911 sugeruje, że stopień szumu wprowadzanego przez tę strategię jest skromny. Przyszłe udoskonalenie algorytmów przewidywania CNN zostanie zbadane poprzez włączenie klinicznych wartości laboratoryjnych istotnych dla PChN, takich jak kreatynina, hormon przytarczyc i hemoglobina. W oczekiwaniu na większe zbiory danych wyniki algorytmu można dalej optymalizować, aby uwzględnić bardziej ekspansywne kategorowanie ilościowe(stopieńfibroza,25%, 25%–50%, 50%–75% i.75%). Wreszcie, biorąc pod uwagę, że bieżący algorytm jest przeszkolony i validatowane na danych z jednej instytucji, trwają dalsze pracepotrzebne do oceny możliwości uogólnienia poza badanekohorta pacjentów.

Według naszej wiedzy badanie AIRS jest pierwszym, w którym wykorzystano modele CNN do przewidywania stopnia zwłóknienia nerek na podstawie skanów obrazowych. Wyniki są obiecujące i zapewniająpodstawę do testowania tych narzędzi CNN w prospektywnych próbach, abyzweryfikować ich przydatność w podejmowaniu decyzji klinicznych, jeśli taka jestnie jest jasne, czy pacjent'choroba nerek jest ostra w porównaniu z

chroniczny.

kidney function

Ujawnienia

J. Zuckerman donosi, że ma umowy doradcze z Leica Biosystems; informuje o otrzymaniu honorariów od ApotheCom; oraz raporty będące doradcą naukowym lub członkiem Konspektów Patologiikom. P. Chang informuje, że ma umowy doradcze z firmami iotrzymywanie funduszy na badania od firmy Canon Medical; i raporty havudziałów własnościowych w Avicenna.ai. WL Lau donosi, że miałumowy doradcze z Ardelyx i Fresenius; raportyotrzymywanie środków na badania od American Heart Association,Hub Therapeutics i Narodowe Instytuty Zdrowia; I

informuje o otrzymaniu honorariów od australijskiego preceptora nefrologii Roche. Wszyscy pozostali autorzy nie mają nic do ujawnienia.

Finansowanie

Projekt ten został sfinansowany przez nagrodę naukową Katedry Medycyny Uniwersytetu Kalifornijskiego w Irvine na lata 2019–2021.

Podziękowania Autorzy dziękują dr. Anthony’emu Siskowi (Wydział Patologii i Medycyny Laboratoryjnej, David Geffen School of Medicine na Uniwersytecie Kalifornijskim w Los Angeles) za ślepą recenzjęniezgodnych pacjentów z biopsją w celu ustalenia podstawowej prawdy.

Autorskie Wkłady

WL Lau opracował koncepcję badania; Za przejrzenie danych odpowiadali C. Chantaduly, K. Perez Reyes, H. Troutt i J. Zuckerman; Odpowiedzialni byli P. Chang, C. Chantaduly i J. Zuckermando analizy formalnej; WL Lau był odpowiedzialny zapozyskiwanie finansowania; C. Chantaduly i K. Perez Reyes byliodpowiedzialny za dochodzenie; P. Chang, C. Chantaduly i J.Za metodologię odpowiadał Zuckerman; WL Lau iH. Troutt byli odpowiedzialni za administrację projektu; P. Changbył odpowiedzialny za zasoby i oprogramowanie; P. Chang i WLLau zapewnił nadzór; C. Chantaduly i H. Troutt napisalioryginalny projekt; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,i H. Troutt dokonali przeglądu i zredagowali rękopis.

Bibliografia

1. Luciano RL, Moeckel GW: Aktualizacja na temat biopsji natywnej nerki: Podstawa programowa 2019. Am J Kidney Dis 73: 404–415, 2019 https://doi.org/10.1053/j.ajkd.2018.10.011

2. Hogan JJ, Mocanu M, Berns JS: Biopsja nerki natywnej: aktualizacja i dowody najlepszych praktyk. Clin J Am Soc Nephrol 11: 354–362, 2016https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Diagnostyka i ocena zwłóknienia nerek: Stan wiedzy. Swiss Med Wkly 147: w14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; Grupa Robocza ERA-EDTA ds. Immunonefrologii: Biopsja nerki w 2015 r.: Od epidemiologii do wskazań opartych na dowodach naukowych. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Praktyka biopsji nerek: jaki jest złoty standard? Świat J Nephrol 3: 287–294, 2014 https://doi.org/10. 5527/wjn.v3.i4.287

6. Poggio ED, McClelland RL, Blank KN, Hansen S, Bansal S, Bomback AS, Canetta PA, Khairallah P, Kiryluk K, Lecker SH, McMahon GM, Palevsky PM, Parikh S, Rosas SE, Tuttle K, Vaz quez MA , Vijayan A, Rovin BH; Projekt medycyny precyzyjnej nerek: przegląd systematyczny i metaanaliza powikłań natywnych biopsji nerki. Clin J Am Soc Nephrol 15: 1595–1602, 2020 https://doi.org/10.2215/CJN.04710420

7. Abdeltawab H, Shehata M, Shalaby A, Khalifa F, Mahmoud A, El-Ghar MA, Dwyer AC, Ghazal M, Hajjdiab H, Keynton R, El-Baz A: Nowatorski system CAD oparty na CNN do wczesnej oceny dysfunkcja przeszczepionej nerki. Sci Rep 9: 5948, 2019 https://doi.org/10.1038/s41598-019-42431-3

8. Wang Z, Yang H, Suo C, Wei J, Tan R, Gu M: Zastosowanie elastografii ultradźwiękowej w przewlekłej dysfunkcji alloprzeszczepu w przeszczepianiu nerki. J Ultradźwięki Med 36: 1759–1769, 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€ utter-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: Sonografia alloprzeszczepu nerki: Korelacja między indeksem oporności na sonografię dopplerowską (RI) i histopatologia. Clin Hemorheol Microcirc 70: 413–422, 2018 https://doi.org/10.3233/CH-189306

10. Kuo CC, Chang CM, Liu KT, Lin WK, Chiang HY, Chung CW, Ho MR, Sun PR, Yang RL, Chen KT: Automatyzacja przewidywania i klasyfikacji funkcji nerek poprzez obrazowanie nerek oparte na ultradźwiękach z wykorzystaniem głębokiego uczenia się. Cyfra Med 2: 1–9, 2019