Przewlekła choroba nerek (PChN): czy nadaje się do przeszczepu pojedynczej i podwójnej nerki?

więcej informacji:ali.ma@wecistanche.com

Część Ⅰ: Sieć neuronowa do klasyfikacji kłębuszków nerkowych na podstawie obrazów histologicznych biopsji nerki

Giacomo Donato Cascaranol, Francesco Saverio Debitontol i in.

Tło

Przewlekłą chorobę nerek(PChN) jest stanem patologicznym charakteryzującym się czynnościową degeneracjąnerka. PChN (Przewlekłą chorobę nerek) jest 12. przyczyną zgonu, z liczbą zachorowań do 1,1 miliona na całym świecie; zwiększona śmiertelność związana z PChN (Przewlekłą chorobę nerek)ostatnich lat sprawia, że ​​jest to jedna z najszybciej rosnących przyczyn zgonów, obok cukrzycy i otępienia [1, 2].Nerkaprzeszczepjest najlepszą terapią nerkozastępczą, która okazała się skuteczniejsza niż dializa pod względem długoterminowego ryzyka zgonu, a jednocześnie ma zmniejszony wpływ na publiczny system opieki zdrowotnej [3, 4].

Kliknij, aby przejść do Cistanche NZ w przypadku przewlekłej choroby nerek

Liyanage i in. oszacowali, że w 2010 roku 2,6 miliona osób, w obliczu 4,9 miliona pacjentów, otrzymało terapię nerkozastępczą na całym świecie, co sugeruje, że co najmniej 2,3 miliona osób mogło umrzeć przedwcześnie z powodu braku dostępu do odpowiedniej terapii [5].

Ze względu na rosnącą koniecznośćnerkaprzeszczepy[6] różne badania próbowały poszerzyć kryteria akceptacjinerkido przeszczepu, które są generalnie wykluczone ze względu na wiek dawcy i inne cechy związane zarówno z jakością, jak i wymiaremnerki[7,8].

Moore i in. wykonał porównanie między podwójnyminerkaprzeszczepod Dawców o Rozszerzonych Kryteriach (ECD) i pojedynczychnerkaprzeszczepod współbieżnych ECD i dawców spełniających standardowe kryteria. Autorzy ocenili, że użycie dualprzeszczep nerkiod dawców marginalnych jest realną opcją i że można osiągnąć czynność nerek, pod warunkiem, że oba:nerkisą przeszczepiane jednemu biorcy [9].

Remuzzi i in. zaproponował technikę ocenynerkastanpoprzez ocenę biopsji histologicznych [10]. Kryterium oceny, zwane skalą Karpińskiego, uwzględnia ewolucję (w procentach) stanu patologicznego czterech głównych obszarów czynnościowych: stwardnienie kłębuszków nerkowych, zanik kanalików nerkowych, zwłóknienie śródmiąższowe i stwardnienie tętnic. Ten wynik waha się od 0 do 12, a im wyższa liczba, tym gorszystan nerek [10-12]. Nerkiz wynikiem Karpińskiego od 0 do 3 i od 4 do 6 są uważane za odpowiednie dlaprzeszczepy pojedyncze i podwójne, odpowiednio.

Leczenie choroby nerek: przeszczep cistanche i nerki

Aby ocenić punktację Karpińskiego, patolodzy przeprowadzają wizualną ocenę histopatologicznych obrazów całych slajdów (WSI). Proces ten jest zwykle czasochłonny, podatny na błędy, a także subiektywny.

Aby przezwyciężyć te wady, cennym postępem jest opracowanie systemów komputerowo wspomaganej diagnostyki (CAD) opartych na analizie obrazu histopatologicznego tkanek w celu wspomagania obliczania wyniku.

Najnowsze prace literaturowe pokazują zastosowanie technik przetwarzania obrazu i uczenia maszynowego do analizynerkahistopatologicznyWSI do wykrywania i klasyfikacji kłębuszków. Podejścia do przetwarzania obrazu mają na celu wyodrębnienie znaczących cech, np. tych opartych na analizie kształtu i tekstury; następnie algorytmy uczenia maszynowego, takie jak płytkie lub głębokie sztuczne sieci neuronowe (ANN), podejmują decyzje w oparciu o wyodrębnione funkcje.

Simon et al, for example, proposed texture-based features set as a simple but effective automatic method for glomeruli localization [13]. The authors applied the algorithm on renal tissue sections and biopsies of large histopathological WSIs. The features extracted from an adaptation of the Local Binary Pattern (LBP) algorithm were used to train a Support Vector Machine(SVM)model. The authors reported high precision(>90%) and reasonable recall (>70 procent) jako wyniki.

Aby wykonać kompleksowe wykrywanie kłębuszków w obrazach całościnerkasekcje, Kato i in. zaproponował nowy deskryptor o nazwie Segmental HOG (Histogram of Oriented Gradients)[14]. Autorzy twierdzili, że rozwiązanie jest solidne i wysokiej jakości wyniki segmentacji; ponadto autorzy porównali Segmental HOG z Rectangular HOG, wykazując, że pierwsze podejście osiągnęło znaczną poprawę wydajności wykrywania.

Kilku autorów skupiło się natomiast na analizie kształtu i koloru kłębuszków. Kotyk i wsp. zaproponowali nowatorskie rozwiązanie w obliczu dużej zmienności natężenia i niespójności pod względem kształtu i wielkości kłębuszków w korpusku nerkowym. Zaproponowane podejście, oparte na technice analizatora cząstek, pozwoliło na wykrycie ciałka nerkowego, a następnie pomiar średnicy kłębuszka i szerokości przestrzeni Bowmana. Autorzy oceniają, że podejście było odporne na deformacje kłębuszków nawet w przypadku przerostu kłębuszków [15]. Analizę wpływu znacznego zróżnicowania barwy i kształtu tkanek na całe obrazy slajdów przeprowadzili Zhao i in. [16]. Autorzy skupili się na ekstrakcji szerokości torebki Bowmana, aby zaprojektować zautomatyzowaną strukturę ekstrakcji kłębuszków z mikrofotografii całej tkanki nerkowej. System został przetestowany na tkankach nerkowych innych niż człowiek naczelnych z barwieniem hematoksyliną i eozyną (HE).

Bukowy i in. zaproponował inny proces analizy. W [17] autorzy opracowali splotową sieć neuronową do wykrywania kłębuszków w skrawkach nerki barwionych trichromianem. Procedura została przetestowana na szczurachnerkia zgłoszone wyniki, dotyczące klasyfikacji kłębuszków zdrowych i uszkodzonych, wykazują średnią precyzję i przypominanie odpowiednio 96,94 procent i 96,79 procent.

W poprzedniej pracy Bevilacqua i wsp., system CAD do segmentacji i dyskryminacji naczyń krwionośnych względem kanalików z biopsji wnerkatkanka została zaprojektowana i przetestowana [18]. Obrazy histologiczne z barwieniem kwasem nadjodowym Schiffa (PAS) zostały wykorzystane do segmentacji obszarów zainteresowania (ROI) i wyodrębnienia cech Haralicka, umożliwiając późniejszą procedurę klasyfikacji przy użyciu algorytmów opartych na ANN. Wyniki testów wykazały, że nadzorowane podejście do sieci ANN jest spójne, co pozwala na uzyskanie dobrej wydajności klasyfikacji.

Praca ta skupia się na automatycznej ocenienerkabiopsje, zajmujące się specyficznym stanem patologicznym rozpatrywanym w skali Karpińskiego: stwardnieniem kłębuszków nerkowych, czyli tzw. stosunek stwardniałych kłębuszków do ogólnej liczby kłębuszków. Aby to zrobić, kluczowe znaczenie ma wykrycie i odróżnienie stanu sklerotycznego wpływającego na kłębuszki od tych niesklerotycznych. Jak już informowaliśmy w pracach z najnowocześniejszych technologii, jest to trudne zadanie ze względu na duże zróżnicowanie intensywności kłębków oraz niespójności w kształcie i rozmiarze.

leczenie choroby nerek:przeszczepy pojedyncze i podwójnebadania

Opracowano i oceniono kombinację różnych algorytmów ekstrakcji cech w celu rozróżnienia stanu kłębuszków. Przedstawiona literatura przedstawia specyficzne i unikalne algorytmy przetwarzania obrazu stosowane do różnych rodzajów barwienia i WSI innych niż ludzkie. Zbiór cech zaproponowany w tej pracy pochodzi z kolekcji dwóch rodzin algorytmów ekstrakcji cech, tj. cech morfologicznych i tekstur, powszechnie używanych, dobrze znanych i ogólnego przeznaczenia. Te rodziny cech są również zawarte w niektórych algorytmach proponowanych w literaturze, ale w niniejszej pracy zostały one wyodrębnione z ludzkich WSI za pomocą barwienia PAS. Ponadto, proces klasyfikacji, omówiony szczegółowo w Metodach, obejmuje również procedury redukcji cech pozwalających na zaprojektowanie płytkiej Sztucznej Sieci Neuronowej. Ogólny przebieg pracy zaproponowany w tej pracy oraz integracja z procedurą przedstawioną w [18] umożliwi nam zbudowanie kompletnego systemu CAD do analizy histopatologicznych WSI.

Wyniki

Raportowane są wyniki uzyskane w wyniku oceny proponowanego procesu klasyfikacji w zestawie testowym. W szczególności wyniki odnoszą się do wydajności uzyskanej z uwzględnieniem ograniczonego zestawu cech sklasyfikowanych za pomocą zweryfikowanej krzyżowo płytkiej SSN. Jak podano w Tabeli 1, zestaw testowy składał się z 579 obrazów kłębuszków: 87 sklerotycznych, 492 niesklerotycznych.

Aby ocenić stabilność przepływu pracy, wykonano 10 przebiegów całego procesu. Osiągnięte wyniki podsumowano w Tabeli 2. W szczególności wyniki przedstawiono w postaci średniej i odchylenia standardowego kilku metryk, tj. Dokładność (Równanie 1), Precyzja (Równanie 2), Przypomnienie (Równanie 3) i Matthews Współczynnik korelacji (Równanie 4)[19], oceniany zgodnie z macierzą pomyłek przedstawioną w Tabeli 3.

Wśród iteracji najlepsze wyniki przedstawiono w Tabeli 4, podczas gdy odpowiednią macierz pomyłek przedstawiono w Tabeli 5.

Wdrożony przepływ pracy pozwala na klasyfikację kłębuszków stwardniałych i niestwardniałych z dobrymi wynikami (średnia MCC=0.95 i średnia Dokładność=0.99) i niską zmiennością (MCC std=0.01 i dokładność std<0.00)(see table="" 2).="" precision="" and="" recall="" are="" equal="" to="" 0.98="" and="" 0.93,="" respectively,="" thus="" showing="" that="" the="" proposed="" system="" achieves="" a="" better="" performance="" in="" the="" non-sclerotic="" evaluation(all="" the="" non-sclerotic="" glomeruli="" were="" detected="" in="" the="" best="">

Tabela 1 Konfiguracja zbioru danych	Tabela 2 Porównanie metryk 10 inicjalizacji sieci

Tabela 3 Macierz pomyłek do obliczania metryk	Tabela 4 Porównanie metryk 10 inicjalizacji sieci

Tabela 5 Macierz pomyłek najlepszego modelu

Dyskusja

Oceniając proponowane podejście na niezależnym zestawie testowym, przepływ pracy klasyfikacji osiągnął średnie MCC i Dokładność odpowiednio {{0}}.95 i 0,99 oraz niską zmienność w ciągu 10 niezależnych iteracji (std MCC{{5} }.01 i Standard Dokładności<0.00). good="" precision="" and="" recall="" were="" also="" obtained="" (precision:="" 0.9844±0.0111,="" recall:="" 0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature[13,="">

Podczas wdrażania i oceny zgłoszonego przepływu pracy napotkaliśmy i przetestowaliśmy powszechny problem nierównowagi danych, który został rozwiązany przy użyciu MCC jako współczynnika porównania wydajności i krzywej ROC do wyboru optymalnego progu klasyfikacji. Przedstawione wyniki sugerują, że proponowana konfiguracja przepływu pracy jest wiarygodna dla badanej domeny, wspierając praktykę kliniczną rozróżniania dwóch klas kłębuszków.

Analizując błędnie sklasyfikowane kłębuszki, odkryliśmy również, że obrazy wejściowe odpowiadające błędnie sklasyfikowanym próbkom wykazywały artefakty barwienia lub częściowe części (głównie na krawędziach); typowe przykłady wymieniono na ryc. 1. Jednak w praktyce klinicznej patolodzy odrzucają takie obrazy, które można również wykluczyć z proponowanego przepływu pracy, opracowując strategie wykrywania z wyprzedzeniem obrazów dotkniętych takimi problemami.

Leczenie choroby nerek: przeszczep pojedynczej i podwójnej nerki

KLIKNIJ TUTAJ, ABY CZĘŚCIĆ Ⅱ