Zastosowanie głębokiego uczenia się do zautomatyzowanej segmentacji prymitywów histologicznych nerek

Kontakt: Audrey Hu (Whatsapp: 008613880143964) E-mail:audrey.hu@wecistanche.com

CZĘŚĆ II.: Opracowanie i ocena opartej na głębokim uczeniu się segmentacji struktur histologicznych w korze nerkowej z wieloma plamami histologicznymi

Catherine P.Jayapandian, Yiiang Chen, Andrew R. Janowczyk & et al.

Zastosowanie głębokiego uczenia się do zautomatyzowanej segmentacji (wytyczania granic) prymitywów histologicznych (struktur) z całych obrazów slajdów może ułatwić ustanowienie nowych protokołów oceny biopsji nerki. Tutaj opracowaliśmy i zwalidowaliśmy sieci głębokiego uczenia się do segmentacji struktur histologicznych w biopsjach nerek i nefrektomiach. Na potrzeby rozwoju zbadaliśmy 125 biopsji pod kątem choroby minimalnej zmiany zebranych w 29 ośrodkach rejestracji NEPTUNE wraz z 459 całymi obrazami slajdów zabarwionymi hematoksyliną i eozyną (125), periodic acid Schiff (125), silver (102) i Trichrome (107) podzielonymi na zestawy treningowe, walidacyjne i testowe (stosunek 6: 1: 3). Struktury histologiczne zostały ręcznie podzielone na segmenty (łącznie 30048 adnotacji) przez pięciu nefropatologów. Dwadzieścia modeli głębokiego uczenia zostało przeszkolonych z optymalnym cyfrowym powiększeniem struktur i plam. Okresowe kwaśne obrazy całych slajdów schiffa dawały najlepszą zgodność między patologami i segmentacją głębokiego uczenia się we wszystkich strukturach (F-score: 0,93 dla kępek kłębuszkowych, 0,94 dla kępki kłębuszkowej plus kapsułka Bowmana, 0,91 dla kanalików proksymalnych, 0,93 dla dystalnych segmentów rurowych, 0,81 dla naczyń włosowatych okołojąstkowych i 0,85 dla tętnic i tętniczek aferentnych). Optymalne powiększenia cyfrowe wynosiły 5X dla kępki kłębuszkowej / kępki plus kapsułki Bowmana, 10X dla kanalików proksymalnych / dystalnych, tętniczek i tętniczek aferentnych oraz 40X dla kapituł okołojąstkowych. Poplamione na srebrno całe obrazy slajdów dały najgorszą wydajność głębokiego uczenia się. Tak więc to największe badanie do tej pory przystosowało głębokie uczenie się do segmentacji struktur histologicznych nerek w wielu plamach i laboratoriach patologicznych. Wszystkie dane wykorzystywane do szkoleń i testów oraz szczegółowy samouczek online będą publicznie dostępne.

prawdziwe zioło poprawiające funkcję:cistanche

KLIKNIJ TUTAJ, ABY PRZEJŚĆ DO CZĘŚCI I.

DYSKUSJA

Ocena biopsji nerki jest wyjątkowa w porównaniu z innymi próbkami patologii chirurgicznej ze względu na różnorodność rutynowo stosowanych plam. Ocena morfologiczna opiera się na jakości preparatów, wiedzy patologów w zakresie wykrywania poszczególnych struktur i związanych z nimi zmian oraz ilościowych lub półilościowych wskaźników stosowanych do uchwycenia stopnia uszkodzenia tkanek. Wizualna histologiczna ocena ilościowa, taka jak liczenie, rozkład i morfometria niektórych prymitywów histologicznych, jest znana jako solidne predyktory wyników dla różnych chorób nerek.10,17-23 Jednak analiza ilościowa pozostaje wyzwaniem dla ludzkiego oka. Niektóre z tych prymitywów (np. naczynia włosowate okołojąste) nie mogą być mierzone wizualnie lub manully i wymagają pomocy algorytmów obliczeniowych. Ostatnie badania sugerują, że narzędzia widzenia komputerowego mogą służyć jako narzędzia do segregacji i wspomagania decyzji w diagnostyce chorób z patologią cyfrową.

24 ~ 27

W związku z tym zautomatyzowane narzędzia do analizy obrazu muszą zostać wdrożone i zintegrowane z przepływem pracy patologii w celu wydajnej i niezawodnej segmentacji prymitywów histologicznych w wielu rodzajach plam. Narzędzia segmentacji DL mogą znacznie ułatwić wyprowadzenie nie tylko wizualnych, ale także podwizualnych cech histomorfometrycznych (np. Kształtu, tekstury i cech grafu) w celu korelacji z diagnozą i wynikiem.280 Badanie to próbuje rozwiązać problemy związane z obliczeniową patologią nerek w przypadku przesłuchań tkanek na dużą skalę, dostarczając algorytmy DL do dokładnej adnotacji6 prymitywów histologicznych na miąższu nerek choroby minimalnej zmiany (MCD), przy użyciu całych obrazów slajdów (WSI) 4 plam i wygenerowanych w 29 centrach rejestracji NEPTUNE. W ciągu ostatnich kilku lat kilka badań wykazało przydatność sieci DL do niskopoziomowych analiz obrazów (tj. Wykrywania, segmentacji i klasyfikacji prymitywów histologicznych) oraz złożonych zadań prognostycznych i predykcyjnych na wysokim poziomie.1-35 Nasze badanie jest największym, kompleksowym badaniem DL biopsji nerek, prezentującym algorytmy opracowane na różnych plamach i wykorzystującym dużą liczbę obrazów z adnotacjami, w porównaniu z wcześniej opublikowanymi. Podstawowe wnioski i istotne wnioski z naszej pracy są opisane dalej.

Porównanie z aktualną literaturą

Różnice między poprzednimi badaniami36–44 a naszym wkładem podsumowano na dodatkowym rysunku S6.

Wcześniej opublikowane badania koncentrują się na pojedynczej histologicznej prymitywnej i pojedynczej plamie. Na przykład Marsh i in. ocenili CNN pod kątem wykrywania globalnej stwardnienia kłębuszków nerkowych w zamrożonych odcinkach nerek po przeszczepie zabarwionych H&E36; Kanna i in. ocenili CNN pod kątem rozróżnienia normalnych, segmentowo i globalnie stwardniałych kłębuszków nerkowych od trichromowych barwionych formaliną fifiksowanych i osadzonych w parafifinie sekcji nerek37; Gallego i in. zastosowali DL do wykrywania kłębuszków nerkowych na odcinkach barwionych PAS; Bel

Wcześniej opublikowane badania koncentrują się na pojedynczej histologicznej prymitywnej i pojedynczej plamie. Na przykład Marsh i in. ocenili CNN pod kątem wykrywania globalnej stwardnienia kłębuszków nerkowych w zamrożonych odcinkach nerek po przeszczepie zabarwionych H&E36; Kanna i in. ocenili CNN pod kątem rozróżnienia normalnych, segmentowo i globalnie stwardniałych kłębuszków nerkowych od trichromowych barwionych formaliną fifiksowanych i osadzonych w parafifinie sekcji nerek37; Gallego i in. zastosowali DL do wykrywania kłębuszków nerkowych na odcinkach barwionych PAS; Bel i in. wykazali segmentację normalnych i patologicznych struktur histologicznych za pomocą pas barwionych WSI tkanki kory nefrektomii. Temerinac Ott i in. demonstrują podejście DL w celu poprawy wykrywania kłębuszków nerkowych na 1 barwieniu przy użyciu wyników z różnie barwionych odcinków tej samej tkanki.1 Nasze sieci DL na wszystkich 4 plamach stanowią pierwszy krok do przyszłego wdrożenia klinicznego, umożliwiając wykrywanie, segmentację i ostatecznie kwantyfikację kilku normalnych prymitywów histologicznych we wszystkich plamach rutynowo stosowanych do celów diagnostycznych.

Innym krytycznym elementem, który należy wziąć pod uwagę przed ich użyciem w wielkoskalowych sieciach DL, jest sposób, w jaki można je zastosować do heterogenicznych zbiorów danych. Nasze modele DL zostały przeszkolone i przetestowane na bardzo niejednorodnym zestawie WSI z preanalitycznymi zmianami w pozyskiwaniu tkanek, przetwarzaniu i przygotowywaniu szkiełek przy użyciu 4 plam, ułatwiając w ten sposób rygorystyczną ocenę możliwości zastosowania podejścia DL w warunkach wieloośrodkowych.

Do segmentacji prymitywów histologicznych wykorzystano różne podejścia DL, takie jak zastosowanie przez Gadermayra i in. generatywnych przeciwstawnych głębokich sieci do niezależnej od plam segmentacji kłębuszków. Bel i in. zastosowali spójne cykle generatywne sieci przeciwstawne (cycle-GAN) w aplikacjach DL do wieloośrodkowej transformacji plam. Hermsen i in. zademonstrowali segmentację 7 klas tkanek opartą na U-Net przy użyciu 40 biopsji przeszczepów na plamie PAS.2Nasze podejście w tym badaniu polegało na opracowaniu wielu sieci DL opartych na U-Net przy użyciu optymalnego powiększenia cyfrowego i różnej liczby adnotacji w prymitywach i plamach.

We wszystkich poprzednich pracach wykorzystano stosunkowo mniejszą liczbę WSI biopsji nerek / nefrektomii w porównaniu z naszym badaniem (Tabela 2). Wykorzystanie dużego zbioru danych WSI pozwoliło nam dostarczyć patologom wglądu w generowanie dobrze opisanych przykładów treningowych dla każdego prymitywu i plamy, a także liczby przykładów szkoleniowych wymaganych do uzyskania najlepszej wydajności sieci przy użyciu CNN U-Net (Rysunek 8).

Specyfika segmentacji poszczególnych prymitywów histologicznych i ich patologiczna zmienność ma kluczowe znaczenie dla wdrożenia modeli DL w praktyce klinicznej.12,43 Sieci DL generowane w tej pracy są specyficzne dla strukturalnie normalnych prymitywów histologicznych, takich jak te obserwowane w MCD lub nefrektomii, i mogą być stosowane zarówno do dorosłych, jak i pediatrycznych biopsji nerek. Kiedy sieci DL zostały przetestowane na płatach miąższu nerkowego z próbek nefrektomii, zachowano specyficzność dla strukturalnie normalnych prymitywów histologicznych. Ramy DL przedstawione w tym badaniu umożliwią również projektowanie sieci w przyszłości, które są szczególnie skoncentrowane na zautomatyzowanej segmentacji i ocenie strukturalnie nieprawidłowych prymitywów histologicznych i ich korelacji z wynikami klinicznymi.

poprawa czynności nerek: ekstrakt z cistanche tubulosa

Oparty na DL ranking różnych plam

Nasze badanie sugeruje, że plama PAS najlepiej nadaje się do identyfikacji strukturalnie normalnych prymitywów histologicznych przy użyciu modelu U-Net. Może to być spowodowane tym, że PAS wydaje się być konsekwentnie bardziej jednorodny w laboratoriach patologicznych w porównaniu z TRI lub SIL. Zabarwione PAS WSI podkreślają membrany podstawne różnych struktur, co z kolei zapewnia lepszą definicję granicy każdego pojedynczego prymitywu, który ma być podzielony na segmenty. Z tego powodu PAS był jedyną plamą używaną do segmentacji naczyń włosowatych okołojąstkowych. Na podstawie naszych wyników plamy PAS i H&E wykazały lepszą wydajność dla kępek kłębuszkowych i segmentacji jednostek, PAS i TRI dla tętnic / tętniczek, PAS i SIL dla segmentów rurowych oraz PAS dla naczyń włosowatych okołoskórnych. Optymalne powiększenie cyfrowe dla modeli DL

Nasze wyniki sugerują, że przy ujednoliconym rozmiarze plastra wynoszącym 256 ×256 optymalne powiększenie dla modeli DL wynosiło 5× dla kłębuszków nerkowych, 10× dla kanalików i naczyń oraz 40× dla naczyń włosowatych (ryc. 1). Co ciekawe, większość optymalnych powiększeń była zgodna z powiększeniami, które patolodzy mają tendencję do opisywania poszczególnych prymitywów, z wyjątkiem kłębuszków nerkowych, w których patolodzy używali od 15× do 20×. Większe struktury, takie jak kłębuszki nerkowe, kanaliki i naczynia, zostały dokładniej podzielone na segmenty przez sieć w zakresie od 5× do 10× powiększenie niezależnie od plamy. W przypadku mniejszych struktur, takich jak naczynia włosowate okołodzielne, do dokładnej segmentacji DL wymagane było większe powiększenie cyfrowe (40×).

Wydajność segmentacji DL w różnych miejscach i artefaktach Heterogeniczność przygotowania tkanek i brak standaryzacji analizy jest szczególnie istotna w przypadku badań wieloośrodkowych, w których materiał patologii jest zbierany z kilku laboratoriów. Zgodnie z oczekiwaniami zaobserwowano heterogeniczność w prezentacji tkanek oraz artefaktach szklanych, tkankowych i skanujących, z których każdy ma zmienny wkład w wydajność DL. Na przykład, chociaż ogólnie artefakty tkankowe miały ograniczony wpływ na sieci DL, grubość sekcji wydawała się wpływać na wydajność. Wpływ poszczególnych artefaktów był również związany z prymitywem histologicznym; na przykład artefakty szklane wykazały niewielki negatywny wpływ na wydajność DL tętnic / tętniczek i kanalików proksymalnych.

Dodatkowo występowała zmienność wydajności DL w różnych miejscach, a ta zmienność wydawała się być prymitywna histologicznie zależna (rysunek uzupełniający S4).

Wydajność DL jako funkcja liczby przykładów szkoleniowych

Nasze dane ilościowe potwierdziły intuicyjne założenie, że potrzeba więcej przykładów dla tych prymitywów, które są trudniejsze do zidentyfikowania wizualnie (tj. Stycznych tętnic / tętniczek lub prymitywów na skraju obszaru zainteresowania [ROI]) (Rysunek 8). W przypadku tych prymitywów, które były zbyt małe lub niezdefiniowane (tj. Naczynia włosowate okołodzielne), konieczna była kuracja i adnotacja iteracyjna w celu poprawy dokładności segmentacji. W przypadku segmentacji kępek kłębuszkowych sieć zbiegała się z maksymalną dokładnością z niewielką liczbą (60-183) przykładów treningowych; wydajność nie poprawiła się dzięki włączeniu dodatkowych przykładów. W przypadku segmentacji kanalików i tętnic /tętniczek odpowiednie sieci wykazały marginalną lub pośrednią poprawę wydajności przy rosnącej liczbie przykładów. W przeciwieństwie do tego, zaobserwowano znaczny wzrost F-score i DSC (0,27-0,81) z 2,5-krotnym wzrostem liczby okołojąstkowych wzorów kapilarnych, liniowy zakres wzrostu F-score wskazujący na jeszcze lepszą dokładność przy większej liczbie przykładów.

Interpretacja wyników segmentacji

Niewiele fałszywych alarmów zaobserwowano w obszarach zainteresowania artefaktami (np. fałdy tssue, nierówne zabarwienie), co sugeruje potrzebę cyfrowej oceny jakości obrazów slajdów przed wywołaniem modeli obliczeniowych (Rysunek uzupełniający S4). W kilku ROI DL wydawał się przewyższać patologów - na przykład, gdy niewielka część tętnicy / tętnicy znajdowała się na skraju ROI i nie została ręcznie opisana jako prawda gruntowa przez patologa, ponieważ były one wizualnie trudne do wykrycia. Można to wytłumaczyć protokołem stosowanym do segmentacji tętnic, w którym patolodzy obejmowali tylko tętnice, w których ściana (tunica media i intima) i światło były widoczne i segmentowały zewnętrzną granicę pożywki tuniki. Tak więc modele, wyszkolone do wykrywania pożywki tuniki i intima tętnic, prawidłowo zidentyfikowały małe fragmenty pożywki tuniki (ściana tętnicza / tętnicza ścięte stycznie) jako tętnice / tętniczki pomimo braku światła (ryc. 9).

Dodatkowo, kanaliki w odcinkach biopsji nerki są częściej widoczne w przekrojach poprzecznych niż podłużnych. Początkowy klasyfikator pominął niektóre kanaliki o przekroju wzdłużnym, głównie na obrazach barwionych H&E, ponieważ granice kanalików były mniej ostre, a kanaliki z podłużnymi przekrojami były niedostatecznie reprezentowane w początkowym zestawie treningowym. Aby ułatwić i usprawnić proces adnotacji i sieci, fałszywie ujemne błędy związane z segmentacją kanalików U-Net zostały wizualnie zidentyfikowane i ręcznie udoskonalone przez patologa, a zaktualizowane adnotacje zostały zwrócone do sieci. Kilka małych tętniczek zostało również błędnie zidentyfikowanych jako dystalne kanaliki przez algorytm DL (fałszywe alarmy) podczas pierwszej iteracji. Te fałszywie dodatnie adnotacje zostały usunięte przez patologa po przejrzeniu początkowego wyjścia klasyfikatora, a poprawione obrazy zostały zwrócone do sieci w celu przekwalifikowania bez zmiany konfiguracji eksperymentalnej lub parametrów sieci w celu wyeliminowania fałszywych alarmów i ujemnych błędów algorytmu DL.45

Zgodnie z aktualnymi wytycznymi dotyczącymi udostępniania, w tym raporcie udostępniamy publicznie wszystkie nasze dane i towarzyszące im adnotacje o prawdzie podstawowej. Oczekuje się, że materiały uzupełniające online wydane w ramach tej pracy posunie naprzód dziedzinę obliczeniowej patologii nerek i zapewnią najlepsze praktyki generowania adnotacji, powiększeń, powiększeń i zalecanych plam w celu optymalnego wykonania zadań segmentacji.

Podsumowując, badanie to stanowi solidną podstawę do przywołania klasyfikatorów uczenia maszynowego w celu wsparcia wysiłków kwantyfikacji tkanek na dużą skalę i wdrożenia interaktywnych protokołów maszynowych w klinicznych i patologicznych przepływach pracy. Segmentacja DL prymitywów histologicznych umożliwia obliczeniowe wyprowadzenie cech histomorfometrycznych w celu umożliwienia interpretacji biopsji. Ponadto ramy przedstawione w tej pracy utorują również drogę do rozwoju nowych sieci DL w przyszłości, które są specjalnie ukierunkowane na (i) nieprawidłowe lub patologiczne prymitywy histologiczne (tj. Stwardnienie globalne i segmentowe, cechy proliferacyjne kłębuszków nerkowych, przewody zbierające, żyły i nerwy obwodowe, zanik kanalików, zwłóknienie śródmiąższowe i miażdżyca), (ii) kora nerkowa i przedziały rdzeniowe, oraz (ii) szersze spektrum chorób. Co więcej, te nowatorskie podejścia mogą utorować drogę do rozwoju narzędzi uczenia maszynowego, które zapewniają rokowanie choroby, a nawet ułatwiają odkrycie przewidujące odpowiedź na leczenie4 klinicznie wykonalnych, nieniszczących biomarkerów diagnostycznych opartych na patologii obliczeniowej dla chorób nerek 25,27,48.2

Cistanche skuteczny w chorobie nerek

Uwaga: cistanche to zioło tobic, które rośnie na pustyniach. jest również nazywany smoczym ziołem i pustynnym żeń-szeniem. cistanche ma wiele efektów, które są świetne dla zdrowia ludzkiego zgodnie z badaniami parmocologicznymi, takich jak poprawa odporności, przeciwdziałanie zmęczeniu i poprawa czynności nerek itp. Chengdu wecistanhce koncentruje się na dostarczaniu najwyższej jakości produktów cistanche.