AbstraktneTaust Tehisintellekti eesmärk aastalNeerude armistumine(AIRS) uuringu eesmärk on töötada välja masinõppevahendid mitteinvasiivseks kvantifitseerimiseksneerufibroospildiskaneerimisest. Meetodid Viisime läbi retrospektiivse analüüsi patsientide kohta, kellele tehti üks või mitu kõhuõõne kompuutertomograafiat (CT) 6 kuu jooksul pärastneeru biopsia. Viimane kohort hõlmas 152 CT-skannimist 92 patsiendilt, mis hõlmasid 300 natiivse neeru ja 76 kujutist.siirdatud neerud. Kaks erinevat konvolutsiooninärvivõrgud(lõigutaseme ja vokslitaseme klassifikaatorid) testiti, et eristada rasket ja kerget/mõõdukat.neerufibroos($50% versus 50%).Interstitsiaalne fibroosja tubulaarse atroofia hinded alatesneeru biopsiaaruandeid kasutati tõena. Tulemused Kaks masinõppemudelit näitasid sarnast positiivset ennustavat väärtust ({{0}}.886 versus 0.935) ja täpsust (0.831 versus 0.879). Järeldused Kokkuvõttes on masinõppe algoritmid paljulubav mitteinvasiivne diagnostikavahendkvantifitseerida neerufibroosiCT-skaneeringutest. Nende prognoosimisvahendite kliiniline kasulikkus neerubiopsia ja sellega seotud veritsusriskide vältimisel raske fibroosiga patsientidel tuleb tulevaste kliiniliste uuringute käigus veel kinnitada.
KUI KAUA AJAB, ET CISTANCHE TOIMIB NEERUPATSIENTIDES?
Sissejuhatus
Ultraheli juhitud perkutaanne neerubiopsia jääb ravistandardiks, kui proteinuuria, mikroskoopilise hematuuria, transplantaadi äratõukereaktsiooni või seletamatu neerufunktsiooni häire ravis on vaja histoloogilist diagnoosi (1, 2). Neerufibroosi või kroonilise neeruhaiguse raskusaste on sageli neerubiopsia ajal teadmata (3). Neeru biopsia, mis paljastab raske (0,5{15}}%) fibroosi, võib selgitada haiguse diagnoosi, kuid tõenäoliselt ei muuda kliinilist juhtimist ja seab patsiendid protseduuriga seotud verejooksu riski (4). Biopsiajärgsed tüsistused ulatuvad mööduvast hematuuriast kuni eluohtliku verejooksuni ja korreleeruvad riskiteguritega, mille hulka kuuluvad kõrgenenud vererõhk, kõrge vanus, aneemia, madal trombotsüütide arv, neerufunktsiooni langus ja hemostaasi kõrvalekalded (5). Hiljutine metaanalüüs, mis hõlmas 118,064 ultraheliga juhitud neerubiopsiat, teatas vereülekannete, angiograafiliste sekkumiste ja surmajuhtumite esinemissagedusest vastavalt 2%, 0,3% ja 0,06% (6).
Neeru biopsia riskide ja eeliste kaalumisel on kroonilise neeruhaiguse raskusastme hindamine kriitilise tähtsusega, kuid mitteinvasiivsed vahendid fibroosi astme hindamiseks on vähearenenud (7). Uuringud, milles uuriti ultraheli tehnikaid (sealhulgas nihkelaine kiiruse kujutist, mööduvat elastograafiat, reaalajas elastograafiat, Doppleri sonograafiat ja ultraheli kortikomedullaarset tüvi), on täheldanud ebajärjekindlat korrelatsiooni fibroosi astmega neerude histoloogias (3, 8, 9). Lisaks sõltuvad need meetodid tugevalt välistest teguritest, nagu vererõhk, neeru kaal, kehakaal ja anduri rakendatav jõud, rääkimata suurest vaatlejasisesest ja vaatlejatevahelisest varieeruvusest (3). Hiljutine aruanne leidis tiheda seoseultraheliga määratud neeru suurus koos hinnangulise neerufunktsiooniga (eGFR), kuid seda ei hinnatudneerudfibroos(10). Kirpalani jt. teatas, et magnetresonantstomograafia elastograafia oli paljulubav jäikuse skooride korrelatsiooni osas neerufibroosiga (11), kuid ei uurinud masinõppevahendeid kui vahendit ennustava täpsuse optimeerimiseks.
Kompuutertomograafia (CT) võimaldab kõrge eraldusvõimega pildistada neerukudet minimaalse kiirgusega patsiendile (7). Masinõppe tehnoloogia kombinatsioonisCT-kuvamine on paljulubav viis mitteneerude invasiivne hindamineÜhendusbrosis, praeguse asemelhistoloogiline hooldusstandard. Sügav õppimine konvolutsioonilinenärvivõrgud (CNN) on masinõppe uudne vorming, mis suudab temast asjakohased mustrid eraldadatoloogiat, kujutist või muid haiguse jaoks kasulikke kliinilisi andmeid
iseloomustus (12,13). CNN-i diagnostikatehnoloogiat on uuritud erinevates olukordades, alates intrakraniaalsest hemorraagiast ja vähist kuni kopsupõletiku japimesoolepõletik (14–17).
Neeruarmide tehisintellekti (AIRS) uuringu eesmärk on välja töötada CNN-i vahendid neerufibroosi kvantifitseerimiseks kui arvutipõhise diagnostilise alternatiivi neerubiopsiale. Natiivsete ja siirdatud neerude CT-pildi analüüsimiseks koolitati kahte CNN-i algoritmi (lõigutaseme ja vokslitaseme klassifikaatorid), et klassifitseerida fibroosi aste, tuginedes samade patsientide neerubiopsiate põhjal tehtud fibroosi skooridele. Selles pilootanalüüsis keskendusime kerge/mõõduka versus raske (50% versus $50%) fibroosi kui kliiniliselt olulise dihhotoomia piiritlemisele, mis võib olla kasulik nefroloogile, kes kaalub oma patsiendi neerubiopsiat. Näitame, et CNN-i algoritmid suudavad suure täpsusega eristada rasket ja mõõdukat neerufibroosi
Materjalid ja meetodid
Patsientide andmebaas See oli California ülikooli Irvine'i meditsiinikeskuses aastatel 2014–2019 tehtud neerubiopsiate retrospektiivne analüüs. Tuvastasime patsiendid, kelle kõhupiirkonna CT-skaneeringud tehti 6 kuu jooksul pärast neerubiopsiat. Pärast haiguslugude süsteemi esmast sõeluuringut jäeti välja 42 patsienti, kellele tehti pildistamine järgmistel põhjustel: CT-skaneerimine väljaspool kaasamisperioodi (0,6 kuud alates biopsia kuupäevast, n53); kõhu magnetresonantstomograafia, kuid süsteemis ei leitud CT-d (n56); patsiendid jätsid märkuste tegemise protsessis kogemata vahele (n52); natiivsed neerud, mis ei ole segmenteeritud siirdamise läbinud patsiendil (n51); madala kvaliteediga skannimine riistvara artefaktiga (n51); ja väljaspool pildiuuringuid, mida ei salvestatud pikaajalistesse pildiarhiividesse (n529). Ülejäänud 152 CT-skannimist 92 patsiendilt laaditi alla ja aksiaalne pehmete kudede rekonstrueeritud maht ekstraheeriti edasiseks analüüsiks. Enamik CT-skaneeringutest (79%) viidi läbi ilma intravenoosse kontrastaineta; 129 skannimist viidi läbi Philipsi skanneriga, 22 Siemensi skanneriga ja üks GE Medical Systemsi skanneriga.
Patoloog (JEZ) vaatas läbi juhusliku patsientide valiku, et kinnitada, et fibroosi aste on neeru biopsia aruannetes täpselt dokumenteeritud. Ebakõlaliste patsientide puhul vaatas teine patoloog slaidid üle, et teha kindlaks põhitõde (vt Tänuavaldused). Biopsia aruannete põhjal saadud neerufibroosi astet käsitleti binaarse tulemusena: kerge / mõõdukas versus raske (interstitsiaalne fibroos ja tubulaarne atroofia, 50% versus $ 50%). Natiivsed neerud hinnati siirdatud patsientide CT-skaneeringutes automaatselt raskekujuliseks fibroosiks. Demograafilised andmed ja kaasuvad haigusseisundid koguti REDCapi andmebaasi ja CT-piltidele pääseti juurde, nagu allpool kirjeldatud. Kõik uurimisprotseduurid kiitis heaks California ülikooli Irvine'i institutsionaalse ülevaatenõukogu.
Annotatsioon
CT-skaneeringud viidi meie haigla piltide arhiveerimis- ja sidesüsteemist üle turvalisse ettevõttesisesesse andmebaasi. Kohandatud patenteeritud veebipõhist annotatsioonitööriista kasutati tõepõhiste kolmemõõtmeliste kahendmaskide loomiseks, mis vastavad natiivsele paremale ja vasakule neerudele ning võimalikele neerusiirdamistele, kui need on olemas. Annotatsioonitööriist rakendati lihtsa pintsli utiliidina ilma lävendamise või täiustatud kontuurimisfunktsioonita. Peamiste annotaatoritena töötasid kaks üliõpilasteadlast (HRT, KAPR) ja vanemradioloog (PDC) vaatas seejärel iga patsiendi üle ja täpsustas vajaduse korral huvipakkuva piirkonna annotatsioone.
Pildi eeltöötlus
Kasutades annoteeritud neerumahu maske mallina, kärbiti iga neer ja prooviti uuesti isotroopse 96 3 96396 voksli mahuni. See resampling ooperSee oli vajalik tagamaks, et kõik mudelisisendid oleksid sama maatriksi suurusega ja arvestaksid graafikaprotsessori mälu piirangutega. Arvestades mahtusid olidesmalt kärbitud paremale ja vasakule neerule ning et neerud moodustavad vaid väikese osa algsest CT mahust, olid lõplikud uuesti võetud vokslite suurused res.algandmetele. Seejärel normaliseeriti iga kärbitud maht, lõigates kõik voksli väärtused vahemikku 2150 kuni 250 Hounsfieldi ühikut ja skaleeriti koefitsiendiga 1:50. Ükskõik millineselle andmestiku üks eksam võib sisaldada kuni kolme algoritmiõppeks kasutatavat kärbitud neeru: (native) vasak, (native) parem ja siirdamine. Iga üksiku lapse jaoksney, kasutati koolitusel kokku 96 kahemõõtmelist (2D) pilti (suurusega 96396).
CNN-i lähenemine
Testiti ja võrreldi kahte erinevat kohandatud 2D CNN-võrku, et eristada rasket ja mõõdukat neerufibroosi. Esimene algoritm on standardne globaalneviilhaaval CNN-i klassifikaator, mis on loodud ennustama ühte kolmest üksteist välistavast kategooriast iga 2D-kujutise jaoks: neerudeta, kerge/mõõdukas fibroos ja raske fibroos. Theteine algoritm on pikslitasemel CNN-klassifikaator, mida rakendatakse täielikult konvolutsioonilise U-Net arhitektuuri kaudu, et teostada samaaegset segmenteerimist ja klassifitseerimist. sisse
mõlema mudeli puhul eirab lõplik klassifikatsioon ilma neerudeta lõike või voksleid ning ülejäänud ennustustele koondatakse enamuse reegel. Mõlemad algoritmid on rakendatudkasutades tipptasemel pigista-ja-ergastava võrguarhitektuuri, mis on ImageNet Large Scale Visual Recognition Challenge'i 2017. aasta tipptasemel mudel (18).Pigistage ja ergastav võrgulähenemine võimaldab võrkudel adaptiivselt ümber kalibreerida kanalipõhiseid funktsioonivastuseid erinevate mudelisisendite põhjal õppimise teel.
kanalite vastastikuste sõltuvuste tekitamine (joonis 1).
Joonis 1.|Süvaõppe algoritmi genereeritud ennustussoojuskaardid, mis tuvastavad kahtlustatava "tõsise" fibroosi piirkonnad neerudes. Vasakult paremale on näidatud neerud, mis ulatuvad normaalsest kuni raske fibroosini, hinnangulise fibrootilise parenhüümi progresseeruva astmega. Lõplikud keskmised softmax normaliseeritud prognoosid kogu neeru kohta on näidatud alumises reas vahemikus 0.0 kuni 0.2; 0.2–0.4;{0}}.4–0.6; 0.6–0.8; ja 0,8–1,0.
Globaalne viiluhaaval klassifikaator
Globaalne CNN-i klassifikaator on kohandatud VGG-st tuletatud arhitektuur, mis on rakendatud pigistamise ergutusmoodulitega igas kihis. Mudeli sisend on üks 2D (96396) viilja mudeli väljund on kolme elemendiga logit vektor, mis esindab kolme klassi ennustust. CNN koosneb neljast konvolutsiooniplokist, kus iga plokk on määratletud kui 333konvolutsiooni, partii normaliseerimist ja ReLU korrati kokku kolm korda. Alamdiskreetmine toimub iga ploki lõpus kahe sammuga konvolutsiooni kaudu. Pärast
neli konvolutsioonilist plokki (12 kihti), tasandatakse lõplik objektikaart ja seda kasutatakse sisendina ühte täielikult ühendatud kihti.
Voxel-taseme klassifikaator
Vokslitaseme CNN-klassifikaator on kohandatud U-võrgust tuletatud arhitektuur, mis on rakendatud igas kihis pigistamise ergastusmoodulitega (19). Mudeli sisend on üks 2D (96396) viil ja mudeli väljund on üks 2D (96396) segmenteerimismask, millel on kolme klassi ennustus igas voksli asukohas. CNN koosneb neljast kokkutõmbuvast konvolutsiooniplokist, kus iga plokk on määratletud kui 333 konvolusioon, partii normaliseerimine ja Leaky ReLU, mida korratakse kokku kolm korda. Alamdiskreetmine toimub iga ploki lõpus kahe sammuga konvolutsiooni kaudu. Pärast nelja konvolutsiooniplokki (12 kihti) pööratakse toimingud ümber identse võrguarhitektuuri kaudu, asendades kiired konvolutsioonid (alam-diskreetimine) koos konvolutsioonitransponeerimisega (upsampling).
Närvivõrgu juurutamine
Mõlema mudeli optimeerimiseks kasutatakse softmax crossentroopia kadumise funktsiooni. Optimeerimine viidi läbi Adam tehnikaga (20) koos eksponentsiaalsete sumbumiskiirustega b1 ja b2vastavalt {{0}}.9 ja 0,999. Õppimiskiiruseks on seatud 131023. Partii suuruseks on seatud kaheksa, kokku 25,000 koolituse iteratsiooniga. Initsialiseerimiseks kasutatakse Xavieri normaliseerimistraskused enne treeningut (21). Algoritmi kood on kirjutatud Python 3.6, TensorFlow 2.1.0 teegis ja Keras 1.0.8 teegis. Võrk on koolitatud meie ettevõttesisese graafikaprotsessori klastriga, mis sisaldab 48 Nvidia GeForce RTX 2080 Ti ja 12 GeForce RTX Titani. Keskmiselt treenis globaalne klassifikaator 30 minutit eksperimendi kohta, samas kui vokslipõhine klassifikaator 2–4 tundi katse kohta.
Hindamine
Koolitusprotsessi hindamiseks kasutati viiekordset ristvalideerimise strateegiat. Kuigi iga patsiendi kuni kolme erinevat neeru raviti ravi ajal individuaalseltkoolitusprotsessi käigus kihistatakse kõik ühe patsiendi mahud andmete lekke vältimiseks samasse ristvalideerimisrühma. Andmekogum jagati suhtega 80:20 ja seejärel treeniti80%, samas kui ülejäänud 20% kasutati valideerimiseks. Koolitust korrati kokku viis korda erinevate 80:20 vahedega, kuni kogu andmestik oli täielikult kinnitatud
Lisaks kogu andmekohordi katsetele viidi läbi täiendavad alamkohordi analüüsid, et hinnata võimalikke segavaid muutujaid. Rakendati kihistumistpõhinevad intravenoosse kontrastsuse seisundil ja atroofiliste natiivsete neerude välistamisel patsientidel, kellele siirdati. Lisaks, et hinnata mudeli üldistavust, moderanditult Philipsi ja GE skanneritega koolitatud seadmed valideeriti ainult Siemensi skannerite andmetega.
Statistika
Meie uuringu eesmärk oli eristada neerude CT-kuvamisel kerget / mõõdukat fibroosi raskest fibroosist. Mõlemas lähenemisviisis kasutati enamuse reeglit (globaalne lõikhaavalja vokslipõhised) raskusastme määramiseksÜhendusbrosis.Kahe lähenemisviisi toimivuse hindamisekstäpsus, tundlikkus, spetsiifilisusÜhenduslinn, positiivne ennustusväärtus(PPV) ja negatiivne ennustusväärtus (NPV) arvutatihilinenud ja võrrelnud. Vastuvõtja all olev ala, mis töötabkõver (AUC) arvutati ka softmax muutmisegapunktiläviÜhendusbrosis klassÜhenduskatioon ja tulemusmõlema lähenemisviisi võrdlemiseks tõmmatud kõver. Kirjeldusstatistika esitatakse keskmisena6SD.
