AbstrakcyjnyTło Celem sztucznej inteligencji wBlizny nerek(AIRS) ma na celu opracowanie narzędzi uczenia maszynowego do nieinwazyjnej kwantyfikacjizwłóknienie nerekze skanów obrazowych. Metody Przeprowadziliśmy retrospektywną analizę pacjentów, u których wykonano jedno lub więcej tomografii komputerowej jamy brzusznej (CT) w ciągu 6 miesięcy odbiopsja nerki. Ostateczna kohorta obejmowała 152 tomografię komputerową od 92 pacjentów, które obejmowały obrazy 300 natywnych nerek i 76przeszczepić nerki. Dwa różne splotysieci neuronowe(klasyfikatory na poziomie plasterka i poziomu woksela) przetestowano w celu odróżnienia ciężkiego od łagodnego/umiarkowanegozwłóknienie nerek(50% w porównaniu z 50%).Zwłóknienie śródmiąższowei wyniki zaniku kanalików zbiopsja nerkiraporty zostały wykorzystane jako podstawowa prawda. Wyniki Dwa modele uczenia maszynowego wykazały podobną dodatnią wartość predykcyjną ({{0}},886 w porównaniu z 0,935) i dokładność (0,831 w porównaniu z 0,879). Wnioski Podsumowując, algorytmy uczenia maszynowego są obiecującym nieinwazyjnym narzędziem diagnostycznymokreślić ilościowo zwłóknienie nerekz tomografii komputerowej. Kliniczna użyteczność tych narzędzi prognostycznych w zakresie unikania biopsji nerki i związanego z nią ryzyka krwawienia u pacjentów z ciężkim zwłóknieniem wymaga potwierdzenia w prospektywnych badaniach klinicznych.
JAK DŁUGO DZIAŁA CISTANCHE U PACJENTÓW Z NERKAMI?
Wstęp
Przezskórna biopsja nerki pod kontrolą USG pozostaje standardem postępowania, gdy konieczne jest rozpoznanie histologiczne w celu ustalenia postępowania w przypadku białkomoczu, krwiomoczu mikroskopowego, odrzucenia przeszczepu lub niewyjaśnionej dysfunkcji nerek (1,2). W czasie biopsji nerki często nie jest znany stopień zwłóknienia nerek ani ciężkość PChN (3). Biopsja nerki, która ujawni ciężkie (0,50%) zwłóknienie może wyjaśnić rozpoznanie choroby, ale jest mało prawdopodobne, że zmieni postępowanie kliniczne i narazi pacjentów na ryzyko krwawienia związanego z zabiegiem (4). Powikłania po biopsji obejmują przemijający krwiomocz lub zagrażający życiu krwotok i korelują z czynnikami ryzyka, takimi jak podwyższone ciśnienie krwi, zaawansowany wiek, niedokrwistość, mała liczba płytek krwi, upośledzona czynność nerek i zaburzenia hemostazy (5). Niedawna metaanaliza 118064 biopsji nerek pod kontrolą USG wykazała, że częstość występowania transfuzji krwi, interwencji angiograficznej i zgonów wynosiła odpowiednio 2%, 0,3% i 0,06% (6).
Ocena ciężkości PChN ma kluczowe znaczenie przy rozważaniu ryzyka i korzyści biopsji nerki, ale nieinwazyjne narzędzia oceny stopnia zwłóknienia są słabo rozwinięte (7). W badaniach obejmujących techniki ultradźwiękowe (w tym obrazowanie prędkości fali poprzecznej, elastografię przejściową, elastografię w czasie rzeczywistym, ultrasonografię dopplerowską i ultrasonograficzne naprężenie korowo-rdzeniowe) zaobserwowano niespójną korelację ze stopniem zwłóknienia w histologii nerek (3,8,9). Ponadto metody te są silnie zależne od czynników zewnętrznych, takich jak ciśnienie krwi, masa nerek, masa ciała i zastosowana siła przetwornika, nie wspominając o dużej zmienności wewnątrz i między obserwatorami (3). Niedawny raport wykazał ścisłą korelację pomiędzywielkość nerek określona w badaniu ultrasonograficznym z oszacowaną funkcją nerek (eGFR), ale nie oceniananerkazwłóknienie(10). Kirpalani i in. podali, że elastografia metodą rezonansu magnetycznego była obiecująca pod względem korelacji wyników sztywności ze zwłóknieniem nerek (11), ale nie zbadali narzędzi uczenia maszynowego jako sposobu na optymalizację dokładności predykcyjnej.
Tomografia komputerowa (CT) umożliwia obrazowanie tkanki nerek o wysokiej rozdzielczości przy minimalnym narażeniu pacjenta na promieniowanie (7). Połączenie technologii uczenia maszynowegoObrazowanie za pomocą tomografii komputerowej jest obiecującą metodą dla nieinwazyjna ocena nerekfibrosis zamiast prądustandard opieki histologicznej. Głębokie uczenie się splotowesieci neuronowe (CNN) to nowatorska forma uczenia maszynowegoing, który może wyizolować odpowiednie wzorce z jegotologia, obrazowanie lub inne dane kliniczne przydatne w przypadku choroby
charakterystyka (12,13). Technologię CNN do diagnostyki badano w różnych sytuacjach, począwszy od krwotoku śródczaszkowego i raka po zapalenie płuc izapalenie wyrostka robaczkowego (14–17).
Celem badania AIRS (Artificial Intelligence in Renal Scarring) jest opracowanie narzędzi CNN do ilościowej oceny zwłóknienia nerek jako wspomaganej komputerowo metody diagnostycznej alternatywy dla biopsji nerek. Przeszkolono dwa algorytmy CNN (klasyfikatory na poziomie plasterka i na poziomie woksela) do analizy obrazowania CT nerek natywnych i przeszczepionych w celu klasyfikacji stopnia zwłóknienia na podstawie podstawowych wyników zwłóknienia z biopsji nerek u tych samych pacjentów. W tej analizie pilotażowej skupiliśmy się na określeniu zwłóknienia łagodnego/umiarkowanego w porównaniu z ciężkim (<50% w porównaniu z 50%) jako klinicznie istotnej dychotomii, która może być użyteczna dla nefrologa rozważającego biopsję nerki u swojego pacjenta. Wykazujemy, że algorytmy CNN potrafią z dużą dokładnością odróżnić ciężkie od łagodnego/umiarkowanego zwłóknienia nerek
Materiały i metody
Baza danych pacjentów Była to retrospektywna analiza biopsji nerek przeprowadzonych w Centrum Medycznym Uniwersytetu Kalifornijskiego w Irvine w latach 2014–2019. Zidentyfikowaliśmy pacjentów, u których wykonano tomografię komputerową jamy brzusznej o wartości 1 dolara w ciągu 6 miesięcy od biopsji nerki. Po wstępnej kontroli systemu dokumentacji medycznej wykluczono 42 pacjentów, którzy przeszli badania obrazowe z następujących powodów: tomografia komputerowa wykonana poza okresem włączenia (0,6 miesiąca od daty biopsji, n53); rezonans magnetyczny jamy brzusznej, ale w systemie nie wykryto tomografii komputerowej (n56); pacjenci przypadkowo pominięci w procesie dodawania adnotacji (n52); nerki natywne niesegmentowane u pacjenta, który przeszedł przeszczep (n51); skan o niskiej jakości z artefaktem sprzętowym (n51); oraz zewnętrzne badania obrazowe, które nie były przechowywane w długoterminowych archiwach obrazowych (n529). Pobrano pozostałe 152 tomografię komputerową od 92 pacjentów i pobrano osiową objętość zrekonstruowanej tkanki miękkiej do dalszej analizy. Większość tomografii komputerowej (79%) wykonano bez dożylnego kontrastu; Przeprowadzono 129 skanów przy użyciu skanera Philips, 22 przy użyciu skanera Siemens i jedno przy użyciu skanera GE Medical Systems.
Patolog (JEZ) dokonał przeglądu losowo wybranych pacjentów, aby potwierdzić, że stopień zwłóknienia został dokładnie udokumentowany w raportach z biopsji nerki. W przypadku niezgodnych pacjentów drugi patolog przeglądał slajdy, aby ustalić podstawową prawdę (patrz Podziękowania). Rzeczywisty stopień zwłóknienia nerek wynikający z raportów z biopsji traktowano jako wynik binarny: łagodny/umiarkowany w porównaniu z ciężkim (zwłóknienie śródmiąższowe i zanik kanalików 50% w porównaniu z 50%). Natywne nerki w tomografii komputerowej pacjentów, którzy zostali przeszczepieni, automatycznie oceniano jako ciężkie zwłóknienie. Dane demograficzne i choroby współistniejące zebrano w bazie danych REDCap, a obrazy CT uzyskano w sposób opisany poniżej. Wszystkie procedury badawcze zostały zatwierdzone przez Instytucjonalną Komisję Rewizyjną Uniwersytetu Kalifornijskiego w Irvine.
Adnotacja
Skany CT zostały przeniesione z systemu archiwizacji i komunikacji obrazów naszego szpitala do bezpiecznej wewnętrznej bazy danych. Do stworzenia trójwymiarowych masek binarnych zgodnych z prawdą, odpowiadających natywnym prawym i lewym nerkom oraz wszelkim przeszczepom nerek, jeśli są obecne, wykorzystano niestandardowe, internetowe narzędzie do adnotacji. Narzędzie do adnotacji zostało zaimplementowane jako proste narzędzie pędzla, bez żadnych funkcji progowania ani zaawansowanego konturowania. Dwóch studentów-badaczy (HRT, KAPR) pełniło rolę głównych adnotatorów, a starszy radiolog (PDC) następnie sprawdzał każdego pacjenta i w razie potrzeby udoskonalał adnotacje dotyczące obszaru zainteresowania.
Wstępne przetwarzanie obrazu
Używając opatrzonych adnotacjami masek objętości nerek jako szablonu, każdą nerkę przycięto i ponownie pobrano do izotropowej objętości woksela 96 3 96396. To ponowne próbkowanie operyWymagane było zapewnienie, aby wszystkie wejścia modelu miały ten sam rozmiar matrycy i uwzględnienie ograniczeń pamięci procesora graficznego. Biorąc pod uwagę wolumenyprzycięte najpierw do prawej i lewej nerki oraz że nerki stanowią jedynie niewielką część oryginalnej objętości CT, ostateczne rozmiary wokseli po ponownym próbkowaniu były podobne pod względem rozdzielczościrozwiązanie do oryginalnych danych. Każdą przyciętą objętość następnie normalizowano poprzez przycięcie wszystkich wartości wokseli do zakresu od 2150 do 250 jednostek Hounsfielda i skalowano ze współczynnikiem 1:50. Każdypojedyncze badanie w tym zbiorze danych może zawierać maksymalnie trzy indywidualnie przycięte nerki użyte do szkolenia algorytmów: (natywna) lewa, (natywna) prawa i przeszczep. Dla każdego indywidualnego dzieckaney, do szkolenia wykorzystano w sumie 96 dwuwymiarowych (2D) obrazów (o rozmiarze 96396).
Podejście CNN
Przetestowano i porównano dwie różne niestandardowe sieci 2D CNN, aby odróżnić ciężkie od łagodnego/umiarkowanego zwłóknienia nerek. Pierwszy algorytm jest standardowym algorytmem globalnymklasyfikator CNN „wycinek po wycinku”, zaprojektowany w celu przewidywania jednej z trzech wzajemnie wykluczających się kategorii dla każdego obrazu 2D: brak nerek, łagodne/umiarkowane zwłóknienie i ciężkie zwłóknienie. Thedrugi algorytm to klasyfikator CNN na poziomie pikseli zaimplementowany poprzez w pełni splotową architekturę U-Net w celu jednoczesnej segmentacji i klasyfikacji. W
w obu modelach ostateczna klasyfikacja ignoruje wycinki lub woksele bez nerek, a reguła większości jest agregowana na podstawie pozostałych przewidywań. Obydwa algorytmy są zaimplementowanewykorzystując najnowocześniejszą architekturę sieci typu „wyciśnij i pobudź”, która okazała się najskuteczniejszym modelem konkursu ImageNet Large Scale Visual Recognition Challenge w 2017 r. (18).Podejście oparte na sieci typu „wyciśnij i pobudź” umożliwia sieciom adaptacyjną rekalibrację odpowiedzi funkcji w zależności od kanału w oparciu o różne dane wejściowe modelu poprzez uczenie się
zależności pomiędzy kanałami (rysunek 1).
Rysunek 1.|Mapy cieplne predykcji generowane przez algorytm głębokiego uczenia się identyfikujące obszary podejrzane o „ciężkie” zwłóknienie nerek. Od lewej do prawej przedstawiono nerki z włóknieniem od normalnego do ciężkiego, z postępującym stopniem szacowanego miąższu zwłóknieniowego. Ostateczne średnie znormalizowane prognozy softmax dla całej nerki są pokazane w dolnym wierszu i wahają się od 0.0 do 0.2; 0.2–0.4;{{0}},4–0,6; 0.6–0.8; i 0.8–1,0.
Globalny klasyfikator kawałek po kawałku
Globalny klasyfikator CNN to niestandardowa architektura wywodząca się z VGG, zaimplementowana z modułami wzbudzenia ściśniętego w każdej warstwie. Dane wejściowe modelu to pojedynczy plasterek 2D (96396).a wynikiem modelu jest trzyelementowy wektor logitowy reprezentujący przewidywanie trzech klas. CNN składa się z czterech bloków splotowych, gdzie każdy blok jest zdefiniowany jako 333splot, normalizacja wsadowa i ReLU powtórzono w sumie trzy razy. Podpróbkowanie jest wykonywane na końcu każdego bloku poprzez splot z krokiem dwóch. Po
czterech bloków splotowych (12 warstw), ostateczna mapa obiektów jest spłaszczana i wykorzystywana jako dane wejściowe w pojedynczej, w pełni połączonej warstwie.
Klasyfikator na poziomie woksela
Klasyfikator CNN na poziomie wokseli jest niestandardową architekturą pochodną sieci U zaimplementowaną z modułami wzbudzenia ściśniętego w każdej warstwie (19). Dane wejściowe modelu to pojedynczy wycinek 2D (96396), a dane wyjściowe modelu to pojedyncza maska segmentacji 2D (96396) z predykcją trzech klas w każdej lokalizacji woksela. CNN składa się z czterech kurczących się bloków splotowych, gdzie każdy blok jest zdefiniowany jako splot 333, normalizacja wsadowa i Leaky ReLU powtórzone łącznie trzykrotnie. Podpróbkowanie jest wykonywane na końcu każdego bloku poprzez splot z krokiem dwóch. Po czterech blokach splotowych (12 warstw) operacje są odwracane poprzez identyczną architekturę sieci, z zastąpieniem splotów rozsianych (pod-próbkowanie) z transpozycją splotową (upsamplingiem).
Implementacja sieci neuronowej
Do optymalizacji obu modeli zastosowano funkcję straty crossentropii Softmax. Optymalizację przeprowadzono stosując technikę Adama (20) z wykładniczymi szybkościami zaniku, b1 i b2, ustawionymiodpowiednio do {{0}},9 i 0,999. Szybkość uczenia jest ustawiona na 131023. Rozmiar partii jest ustawiony na osiem, w sumie 25,000 iteracji szkoleniowych. Do inicjalizacji używana jest normalizacja Xavieraciężary przed treningiem (21). Kod algorytmu został napisany w Pythonie 3.6, bibliotece TensorFlow 2.1.0 i bibliotece Keras 1.0.8. Sieć jest trenowana na naszym wewnętrznym klastrze procesorów graficznych, który zawiera 48 kart Nvidia GeForce RTX 2080 Ti i 12 GeForce RTX Titans. Klasyfikator globalny trenował średnio przez 30 minut na eksperyment, podczas gdy klasyfikator oparty na wokselach trenował przez 2–4 godziny na eksperyment.
Ocena
Do oceny procesu szkoleniowego zastosowano pięciokrotną strategię walidacji krzyżowej. Chociaż w trakcie badania indywidualnie leczono maksymalnie trzy różne nerki od każdego pacjentaprocesu szkolenia, wszystkie objętości od jednego pacjenta są dzielone na tę samą grupę krzyżową, aby zapobiec wyciekowi danych. Zbiór danych został podzielony 80:20, a następnie przeszkolony na platformie80%, natomiast pozostałe 20% wykorzystano do walidacji. Trening powtórzono w sumie pięć razy z różnymi podziałami 80:20, aż do pełnej walidacji całego zbioru danych
Oprócz eksperymentów na całej kohorcie danych przeprowadzono dodatkowe analizy podkohort w celu oceny potencjalnych zmiennych zakłócających. Zastosowano stratyfikacjęna podstawie dożylnego podania kontrastu i wykluczenia zanikowych natywnych nerek u pacjentów, którzy otrzymali przeszczep. Ponadto, aby ocenić możliwość uogólnienia modelu, modEle przeszkolone wyłącznie ze skanerów Philips i GE zostały sprawdzone wyłącznie przy użyciu danych ze skanerów Siemens.
Statystyka
Celem naszego badania było rozróżnienie pomiędzy łagodnym/umiarkowanym zwłóknieniem a ciężkim zwłóknieniem w obrazowaniu CT nerek. W obu podejściach zastosowano regułę większości (globalny kawałek po kawałkui wokseli) w celu określenia nasileniafibroza.Aby ocenić skuteczność obu podejść,dokładność, czułość, specfimiasto, dodatnia wartość predykcyjna(PPV) i ujemną wartość predykcyjną (NPV).spóźnione i porównane. Obszar pod odbiornikiem operacyjnymKrzywą (AUC) obliczono także poprzez zmianę softmaxpróg punktowy dlafiklasa brosisfikation i wynikkrzywa narysowana dla obu podejść do porównania. Opiszstatystyki są podawane jako średnie6SD.
