AstrattSfond L-għan tal-Intelliġenza Artifiċjali fiĊikatriċi Renali(AIRS) studju huwa li jiġu żviluppati għodod ta 'tagħlim tal-magni għall-kwantifikazzjoni mhux invażiva ta'fibrożi tal-kliewiminn skans tal-immaġini. Metodi Aħna wettaqna analiżi retrospettiva ta’ pazjenti li kellhom skans wieħed jew aktar tat-tomografija kompjuterizzata addominali (CT) fi żmien 6 xhur minnbijopsija tal-kliewi. Il-koorti finali kien jinkludi 152 CT scan minn 92 pazjent, li kienu jinkludu stampi ta’ 300 kilwa indiġena u 76.kliewi tat-trapjant. Żewġ konvoluzzjonali differentinetwerks newrali(klassifikaturi fil-livell tal-qatgħa u fil-livell tal-voxel) ġew ittestjati biex jiddistingwu sever kontra ħafif/moderatfibrożi tal-kliewi($ 50% kontra, 50%).Fibrożi interstizjaliu punteġġi ta 'atrofija tubulari minnbijopsija tal-kliewirapporti ntużaw bħala verità fuq l-art. Riżultati Iż-żewġ mudelli ta' tagħlim tal-magni wrew valur ta' tbassir pożittiv simili ({{0}}.886 kontra 0.935) u preċiżjoni (0.831 kontra 0.879). Konklużjonijiet Fil-qosor, algoritmi tat-tagħlim tal-magni huma għodda dijanjostika promettenti mhux invażivatikkwantifika fibrożi tal-kliewiminn CT scans. L-utilità klinika ta 'dawn l-għodod ta' tbassir, f'termini ta 'evitar ta' bijopsija renali u riskji ta 'fsada assoċjati f'pazjenti b'fibrożi severa, għad trid tiġi vvalidata fi provi kliniċi prospettivi.
KEMM JIEĦU GĦAL ĊISTANCHE BIEX TAĦDEM GĦAL PAZJENTI BIL-kliewi?
Introduzzjoni
Il-bijopsija tal-kliewi perkutanja ggwidata bl-ultrasound tibqa 'l-istandard ta' kura meta tkun meħtieġa d-dijanjosi istoloġika biex tiggwida l-ġestjoni ta 'proteinurja, ematurja mikroskopika, rifjut ta' trapjant, jew disfunzjoni tal-kliewi mhux spjegata (1,2). Il-grad tal-fibrożi tal-kliewi jew is-severità tas-CKD spiss ma jkunx magħruf fil-ħin tal-bijopsija tal-kliewi (3). Bijopsija tal-kliewi li tiżvela fibrożi severa (.50%) tista' tiċċara d-dijanjosi tal-marda iżda x'aktarx ma tbiddel il-ġestjoni klinika u tpoġġi lill-pazjenti f'riskju ta' fsada relatata mal-proċedura (4). Kumplikazzjonijiet ta 'wara l-bijopsija jvarjaw minn ematurja temporanja għal emorraġija ta' theddida għall-ħajja u jikkorrelataw ma 'fatturi ta' riskju li jinkludu pressjoni tad-demm elevata, età avvanzata, anemija, għadd baxx ta 'plejtlits, funzjoni mnaqqsa tal-kliewi u anormalitajiet tal-emostasi (5). Meta-analiżi reċenti ta' 118,064 bijopsija tal-kliewi iggwidata bl-ultrasound irrapportat rati ta' inċidenti għal trasfużjonijiet tad-demm, intervent anġjografiku, u mewt ta' 2%, 0.3%, u 0.06%, rispettivament (6).
Il-valutazzjoni tas-severità tas-CKD hija kritika meta jitqiesu r-riskji u l-benefiċċji ta 'bijopsija tal-kliewi, iżda għodod mhux invażivi biex jevalwaw il-grad ta' fibrożi mhumiex żviluppati biżżejjed (7). Studji li esploraw tekniki tal-ultrasound (inklużi immaġini ta 'veloċità ta' shear wave, elastografija temporanja, elastografija f'ħin reali, sonografija Doppler, u strain corticomedullary ultrasound) innutaw korrelazzjoni inkonsistenti mal-grad ta 'fibrożi fuq l-istoloġija tal-kliewi (3,8,9). Barra minn hekk, dawn il-metodi huma dipendenti ħafna fuq fatturi esterni, bħall-pressjoni tad-demm, il-piż tal-kliewi, il-piż tal-ġisem, u l-forza tat-transducer applikata, biex ma nsemmux varjabbiltà għolja intra- u interosservatur (3). Rapport riċenti sab korrelazzjoni mill-qrib bejnId-daqs tal-kliewi ddeterminat bl-ultrasound b'funzjoni stmata tal-kliewi (eGFR) iżda ma vvalutatxkliewifibrożi(10). Kirpalani et al. irrapporta li l-elastografija ta 'l-immaġini ta' reżonanza manjetika kienet promettenti f'termini ta 'korrelazzjoni ta' punteġġi ta 'ebusija ma' fibrożi tal-kliewi (11), iżda ma esploratx għodod ta 'tagħlim bil-magni bħala mezz biex tottimizza l-eżattezza ta' tbassir.
Tomografija kompjuterizzata (CT) tippermetti immaġini b'riżoluzzjoni għolja tat-tessut renali b'espożizzjoni minima għar-radjazzjoni għall-pazjent (7). Teknoloġija tat-tagħlim bil-magni flimkienzjoni bl-immaġini CT hija triq promettenti għan-nonvalutazzjoni invażiva tal-kliewifibrosis, minflok il-kurrentstandard istoloġiku ta' kura. Tagħlim fil-fond konvoluzzjonaliin-netwerks newrali (CNN) huma forma ġdida ta’ tagħlim mill-magniing, li jistgħu jiżolaw mudelli rilevanti minn tiegħutoloġija, immaġini, jew data klinika oħra utli għall-mard
karatterizzazzjoni (12,13). It-teknoloġija CNN għad-dijanjostika ġiet esplorata f’varjetà ta’ ambjenti, li jvarjaw minn emorraġija intrakranjali u kanċer sa pnewmonja uappendiċite (14-17).
L-għan tal-istudju dwar l-Intelliġenza Artifiċjali f'Ċikatriċi Renal (AIRS) huwa li tiżviluppa għodod tas-CNN biex tikkwantifika l-fibrożi tal-kliewi bħala alternattiva dijanjostika megħjuna mill-kompjuter għall-bijopsija renali. Żewġ algoritmi tas-CNN (klassifikaturi fil-livell tal-qatgħa u fil-livell tal-voxel) ġew imħarrġa biex janalizzaw immaġini CT tal-kliewi indiġeni u tat-trapjant biex jikklassifikaw il-grad ta 'fibrożi, ibbażat fuq punteġġi tal-fibrożi tal-verità tal-art minn bijopsiji tal-kliewi fl-istess pazjenti. F'din l-analiżi pilota, aħna ffukajna fuq id-delineazzjoni ta 'fibrożi ħafifa/moderata kontra severa (,50% kontra $ 50%) bħala dikotomija klinikament rilevanti li tista' tkun utli għal nefrologu li jikkunsidra bijopsija tal-kliewi għall-pazjent tagħhom. Aħna nuru li l-algoritmi tas-CNN jistgħu jiddifferenzjaw fibrożi tal-kliewi severa minn ħafifa/moderata bi grad għoli ta’ preċiżjoni
Materjali u metodi
Database tal-Pazjent Din kienet analiżi retrospettiva ta 'bijopsiji tal-kliewi mwettqa fiċ-Ċentru Mediku Irvine ta' l-Università ta 'Kalifornja bejn l-2014 u l-2019. Aħna identifikajna pazjenti b'skans CT addominali ta' $1 lesti fi żmien 6 xhur mill-bijopsija tal-kliewi. Wara l-iskrining inizjali tas-sistema tar-rekords mediċi, 42 pazjent li għaddew minn immaġni ġew esklużi għar-raġunijiet li ġejjin: CT scan imwettaq barra l-perjodu ta 'inklużjoni (.6 xhur mid-data tal-bijopsija, n53); immaġini ta 'reżonanza manjetika addominali iżda l-ebda CT misjuba fis-sistema (n56); pazjenti involontarjament qabżu fil-proċess ta 'annotazzjoni (n52); kliewi indiġeni mhux segmentati f'pazjent li kien għadda minn trapjant (n51); skan ta 'kwalità baxxa b'artifact tal-ħardwer (n51); u studji tal-immaġini barra li ma kinux maħżuna fl-arkivji tal-immaġini fit-tul (n529). Il-bqija 152 CT scans minn 92 pazjent ġew imniżżla u l-volum rikostruwit tat-tessut artab axjali ġie estratt għal aktar analiżi. Il-maġġoranza tas-CT scans (79%) saru mingħajr kuntrast ġol-vini; Saru 129 scanner fuq skaner Philips, 22 fuq skaner Siemens, u wieħed fuq scanner GE Medical Systems.
Patologu (JEZ) irreveda għażla każwali ta 'pazjenti biex jikkonferma li l-grad ta' fibrożi kien dokumentat b'mod preċiż fir-rapporti tal-bijopsija tal-kliewi. F'pazjenti diskordanti, it-tieni patologu rreveda l-pjastri biex jiddetermina l-verità tal-art (ara Rikonoxximenti). Il-grad tal-verità tal-art ta 'fibrożi tal-kliewi minn rapporti ta' bijopsija ġie ttrattat bħala riżultat binarju: ħafif / moderat kontra sever (fibrożi interstizjali u atrofija tubulari, 50% kontra $ 50%). Kliewi indiġeni f'CT scans minn pazjenti li ġew trapjantati ġew awtomatikament skurjati bħala fibrożi severa. Id-demografija u l-kundizzjonijiet komorbidi ġew ikkompilati f'database REDCap, u l-immaġini CT ġew aċċessati kif deskritt hawn taħt. Il-proċeduri ta 'riċerka kollha ġew approvati mill-Bord ta' Reviżjoni Istituzzjonali ta 'l-Università ta' California Irvine.
Annotazzjoni
Is-CT scans ġew trasferiti mis-Sistema ta' Arkivjar u Komunikazzjoni tal-Istampa tal-isptar tagħna għal database interna sigura. Intużat għodda ta 'annotazzjoni bbażata fuq il-web proprjetarja tad-dwana biex toħloq maskri binarji tridimensjonali tal-verità tal-art li jikkorrispondu mal-kliewi indiġeni tal-lemin u tax-xellug, u kwalunkwe trapjanti tal-kliewi, jekk preżenti. L-għodda ta 'annotazzjoni ġiet implimentata bħala utilità ta' pinzell sempliċi mingħajr ebda funzjonalità ta 'thresholding jew kontorn avvanzat. Żewġ riċerkaturi studenti (HRT, KAPR) servew bħala l-annotaturi ewlenin, u radjologu anzjan (PDC) sussegwentement irreveda kull pazjent u annotazzjonijiet irfinati tar-reġjun ta 'interess fejn meħtieġ.
Ipproċessar minn qabel tal-Immaġini
Bl-użu tal-maskri annotati tal-volum tal-kliewi bħala mudell, kull kilwa ġiet maqtugħa u kampjun mill-ġdid għal volum ta' voxel iżotropiku 96 3 96396. Din l-opra ta’ kampjunar mill-ġdidzjoni kienet meħtieġa biex jiġi żgurat li l-inputs kollha tal-mudell kienu tal-istess daqs tal-matriċi u biex jakkomodaw il-limitazzjonijiet tal-memorja tal-unità tal-ipproċessar tal-grafika. Minħabba l-volumi kienul-ewwel maħsuda lejn il-kliewi tal-lemin u tax-xellug, u li l-kliewi jikkostitwixxu biss porzjon żgħir tal-volum oriġinali CT, id-daqsijiet finali tal-voxel kampjuni mill-ġdid kienu simili f'ressoluzzjoni għad-data oriġinali. Kull volum maħsuda mbagħad ġie normalizzat billi jaqtgħu l-valuri voxel kollha għal medda ta '2150 sa 250 Unità Hounsfield u skalat b'fattur ta' 1:50. Kwalunkweeżami wieħed f'dan is-sett tad-dejta jista' jkun fih sa tliet kliewi maqtugħin individwali użati għat-taħriġ tal-algoritmu: (nattivi) tax-xellug, (nattivi) tal-lemin, u trapjant. Għal kull tifel individwaliney, total ta' 96 immaġini bidimensjonali (2D) (ta' daqs 96396) intużaw għat-taħriġ.
CNN Approċċ
Żewġ netwerks CNN tad-dwana 2D differenti ġew ittestjati u mqabbla, biex issir differenza severa minn fibrożi tal-kliewi ħafifa/moderata. L-ewwel algoritmu huwa standard globaliklassifikatur tas-CNN slice-by-slice, iddisinjat biex ibassar waħda minn tliet kategoriji reċiprokament esklussivi għal kull immaġni 2D: bla kliewi, fibrożi ħafifa/moderata, u fibrożi severa. Il-it-tieni algoritmu huwa klassifikatur CNN fil-livell tal-pixel implimentat permezz ta 'arkitettura U-Net kompletament konvoluzzjonali biex iwettaq segmentazzjoni u klassifikazzjoni simultanja. Fil
iż-żewġ mudelli, il-klassifikazzjoni finali tinjora slices jew voxels mingħajr kliewi, u regola ta 'maġġoranza hija aggregata fuq il-previżjonijiet li fadal. Iż-żewġ algoritmi huma implimentatibl-użu tal-arkitettura tan-netwerk tal-kompressjoni u l-eċċitazzjoni tal-aktar avvanzata, il-mudell bl-aqwa prestazzjoni tal-Isfida ta 'Rikonoxximent Viżwali ta' Skala Kbira ImageNet fl-2017 (18).L-approċċ tan-netwerk tal-għafsa u l-eċċitazzjoni jippermetti li n-netwerks jerġgħu jikkalibraw b'mod adattiv risponsi tal-karatteristiċi tal-kanal għaqli bbażati fuq inputs ta 'mudelli differenti billi jitgħallmu
interdipendenzi bejn il-kanali (Figura 1).
Figura 1.|Mapep tas-sħana ta' tbassir iġġenerati mill-algoritmu ta' tagħlim fil-fond li jidentifika żoni ta' fibrożi suspettata "severa" fil-kliewi. Mix-xellug għal-lemin, kliewi li jvarjaw minn fibrożi normali għal severa huma murija bi gradi progressivi ta 'parenkima fibrotika stmata. Tbassir finali softmax normalizzat medju għall-kilwa kollha huma murija fir-ringiela t'isfel, li jvarjaw minn 0.0 sa 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; u 0.8–1.0.
Klassifikatur Globali Slice-by-Slice
Il-klassifikatur CNN globali huwa arkitettura personalizzata derivata minn VGG implimentata b'moduli ta 'eċċitazzjoni tal-għafas f'kull saff. L-input tal-mudell huwa porzjon wieħed 2D (96396).u l-output tal-mudell huwa vettur logit bi tliet elementi li jirrappreżenta tbassir ta' tliet klassi. Is-CNN jikkonsisti f'erba' blokki konvoluzzjonali, fejn kull blokk huwa definit bħala 333konvoluzzjoni, normalizzazzjoni tal-lott, u ReLU ripetuti tliet darbiet b'kollox. It-teħid ta' sottokampjuni jsir fl-aħħar ta' kull blokka permezz ta' konvoluzzjoni b'pass ta' tnejn. Wara
erba 'blokki konvoluzzjonali (12-il saff), il-mappa tal-karatteristiċi finali hija ċċattjata u użata bħala input f'saff wieħed kompletament konness.
Klassifikatur tal-Livell ta' Voxel
Il-klassifikatur tas-CNN fil-livell tal-voxel huwa arkitettura personalizzata U-Netderivata implimentata b'moduli ta 'eċċitazzjoni tal-għafas f'kull saff (19). L-input tal-mudell huwa porzjon wieħed 2D (96396) u l-output tal-mudell huwa maskra ta 'segmentazzjoni 2D waħda (96396) bi tbassir ta' tliet klassi f'kull post tal-voxel. Is-CNN jikkonsisti f'erba' blokki konvoluzzjonali kontraenti, fejn kull blokka hija definita bħala konvoluzzjoni 333, normalizzazzjoni tal-lott, u Leaky ReLU ripetut tliet darbiet totali. It-teħid ta' sottokampjuni jsir fl-aħħar ta' kull blokka permezz ta' konvoluzzjoni b'pass ta' tnejn. Wara erba 'blokki konvoluzzjonali (12-il saff), l-operazzjonijiet huma maqluba permezz ta' arkitettura tan-netwerk identika, bis-sostituzzjoni ta 'konvoluzzjonijiet stridden (sub-kampjunar) bi traspożizzjoni konvoluzzjonali (upsampling).
Implimentazzjoni tan-Netwerk newrali
Funzjoni ta 'telf ta' crossentropy softmax tintuża biex tottimizza ż-żewġ mudelli. L-ottimizzazzjoni twettqet bl-użu tat-teknika Adam (20) b'rati ta' tħassir esponenzjali, b1, u b2, stabbilitigħal {{0}}.9 u 0.999, rispettivament. Ir-rata ta' tagħlim hija ssettjata għal 131023. Id-daqs tal-lott huwa ssettjat għal tmienja, b'total ta' 25,000 iterazzjoni ta' taħriġ. In-normalizzazzjoni ta 'Xavier tintuża għall-inizjalizzazzjoniil-piżijiet qabel it-taħriġ (21). Il-kodiċi tal-algoritmu nkiteb f'Python 3.6, il-librerija TensorFlow 2.1.0, u l-librerija Keras 1.0.8. In-netwerk huwa mħarreġ fuq il-cluster tal-unità tal-ipproċessar tal-grafika interna tagħna, li fih 48 Nvidia GeForce RTX 2080 Ti u 12 GeForce RTX Titans. Bħala medja, il-klassifikatur globali tħarreġ għal 30 minuta għal kull esperiment, filwaqt li l-klassifikatur ibbażat fuq il-voxel tħarreġ għal 2-4 sigħat għal kull esperiment.
Evalwazzjoni
Intużat strateġija ta' validazzjoni inkroċjata b'ħames darbiet biex jiġi evalwat il-proċess ta' taħriġ. Għalkemm sa tliet kliewi differenti minn kull pazjent ġew ittrattati individwalment matul il-proċess ta 'taħriġ, il-volumi kollha minn pazjent wieħed huma stratifikati fl-istess grupp ta' validazzjoni inkroċjata biex jipprevjenu t-tnixxija tad-dejta. Is-sett tad-data kien maqsum 80:20 u mbagħad imħarreġ fuq il-80 %, filwaqt li l-20 % l-oħra ntużaw għall-validazzjoni. It-taħriġ ġie ripetut ħames darbiet totali b'qasmiet differenti ta' 80:20 sakemm is-sett tad-dejta kollu ġie vvalidat għal kollox
Minbarra l-esperimenti fuq il-koorti tad-dejta kollha, saru analiżi ta 'sottokoorti addizzjonali biex jevalwaw għal varjabbli potenzjali ta' konfużjoni. Ġiet applikata stratifikazzjonibbażat fuq status ta’ kuntrast ġol-vini u esklużjoni ta’ kliewi indiġeni atrofiċi f’pazjenti li rċevew trapjant. Barra minn hekk, biex tiġi evalwata l-ġeneralizzazzjoni tal-mudell, models mħarrġa esklussivament minn skaners Philips u GE ġew ivvalidati esklussivament b'dejta minn skaners Siemens.
Statistika
L-għan tal-istudju tagħna kien li niddistingwu bejn fibrożi ħafifa/moderata minn fibrożi severa fuq immaġini CT tal-kliewi. Ir-regola tal-maġġoranza ntużat fiż-żewġ approċċi (global slice-by-sliceu bbażati fuq voxel) biex jiddeterminaw is-severità ta 'fibrosis.Biex tevalwa l-prestazzjoni bejn iż-żewġ approċċi,preċiżjoni, sensittività, speċifibelt, valur tbassir pożittiv(PPV), u valur ta 'tbassir negattiv (NPV) kienu kalkulated u mqabbla. Iż-żona taħt l-operat tar-riċeviturkurva (AUC) ġiet ikkalkulata wkoll billi tvarja l-softmaxpunteġġ limitu għall-fibrosis klassification u r-riżultating kurva mfassla għaż-żewġ approċċi biex jitqabblu. Deskrizzjonistatistika hija rrapportata bħala medja6SD.
