AbstractContext Scopul inteligenței artificiale înCicatrici renale(AIRS) este de a dezvolta instrumente de învățare automată pentru cuantificarea neinvazivă afibroza renaladin scanări imagistice. Metode Am efectuat o analiză retrospectivă a pacienților cărora li s-au efectuat una sau mai multe tomografii computerizate (CT) abdominale în decurs de 6 luni de la obiopsie de rinichi. Cohorta finală a cuprins 152 de scanări CT de la 92 de pacienți, care au inclus imagini ale a 300 de rinichi nativi și 76 detransplant de rinichi. Două convoluționale diferiterețele neuronale(clasificatoare la nivel de secțiune și la nivel de voxel) au fost testate pentru a diferenția sever de cel ușor/moderatfibroza renala(50% față de 50%).Fibroza interstitialaiar scorurile de atrofie tubulară dinbiopsie de rinichirapoartele au fost folosite ca adevăr de bază. Rezultate Cele două modele de învățare automată au demonstrat o valoare predictivă pozitivă similară ({{0}},886 față de 0,935) și precizie (0,831 față de 0,879). Concluzii În rezumat, algoritmii de învățare automată sunt un instrument de diagnostic neinvaziv promițător pentrucuantificarea fibrozei renalede la tomografii. Utilitatea clinică a acestor instrumente de predicție, în ceea ce privește evitarea biopsiei renale și a riscurilor de sângerare asociate la pacienții cu fibroză severă, rămâne de validat în studiile clinice prospective.
CÂT TIMP TREBUIE PENTRU CISTANCHE PENTRU PACIENȚI DE RINCHI?
Introducere
Biopsia renală percutanată ghidată cu ultrasunete rămâne standardul de îngrijire atunci când diagnosticul histologic este necesar pentru a ghida managementul proteinuriei, hematuriei microscopice, respingerii transplantului sau disfuncției renale inexplicabile (1,2). Gradul de fibroză renală sau severitatea CKD este adesea necunoscut în momentul biopsiei renale (3). O biopsie renală care evidențiază fibroză severă (0,50%) poate clarifica diagnosticul bolii, dar este puțin probabil să schimbe managementul clinic și expune pacienților riscul de sângerare legată de procedură (4). Complicațiile post-biopsie variază de la hematurie tranzitorie la hemoragie care pune viața în pericol și se corelează cu factori de risc care includ tensiune arterială crescută, vârstă înaintată, anemie, număr scăzut de trombocite, funcție renală redusă și anomalii ale hemostazei (5). O meta-analiză recentă a 118,064 de biopsii de rinichi ghidate cu ultrasunete a raportat rate de incident pentru transfuzii de sânge, intervenție angiografică și deces la 2%, 0,3% și, respectiv, 0,06% (6).
Evaluarea severității CKD este critică atunci când se iau în considerare riscurile și beneficiile unei biopsii renale, dar instrumentele neinvazive pentru a evalua gradul de fibroză sunt subdezvoltate (7). Studiile care au explorat tehnicile cu ultrasunete (inclusiv imagistica cu viteză de forfecare, elastografie tranzitorie, elastografie în timp real, ecografia Doppler și tulpina corticomedulară cu ultrasunete) au observat o corelație inconsecventă cu gradul de fibroză pe histologia rinichilor (3,8,9). În plus, aceste metode depind puternic de factori externi, cum ar fi tensiunea arterială, greutatea rinichilor, greutatea corporală și forța traductorului aplicată, fără a mai vorbi de variabilitatea ridicată intra și interobservator (3). Un raport recent a găsit o strânsă corelație întremărimea rinichilor determinată cu ultrasunete cu funcția renală estimată (eGFR), dar nu a evaluatrinichifibroză(10). Kirpalani şi colab. a raportat că elastografia imagistică prin rezonanță magnetică a fost promițătoare în ceea ce privește corelarea scorurilor de rigiditate cu fibroza renală (11), dar nu a explorat instrumentele de învățare automată ca mijloc de a optimiza acuratețea predictivă.
Tomografia computerizată (CT) permite imagistica de înaltă rezoluție a țesutului renal cu expunere minimă la radiații a pacientului (7). Tehnologia de învățare automată în combinațiecu imagistica CT este o cale promițătoare pentru cei care nuevaluarea invazivă a rinichilorfibrosis, în loc de curentstandard histologic de îngrijire. Învățare profundă convoluționalărețelele neuronale (CNN) sunt o formă nouă de învățare automatăing, care poate izola modele relevante de ale luitologie, imagistică sau alte date clinice utile pentru boală
caracterizare (12,13). Tehnologia CNN pentru diagnosticare a fost explorată într-o varietate de situații, de la hemoragie intracraniană și cancer la pneumonie șiapendicita (14–17).
Scopul studiului Artificial Intelligence in Renal Scarring (AIRS) este de a dezvolta instrumente CNN pentru a cuantifica fibroza renală ca alternativă de diagnosticare asistată de computer la biopsia renală. Doi algoritmi CNN (clasificatori la nivel de felie și la nivel de voxel) au fost instruiți pentru a analiza imagistica CT a rinichilor nativi și de transplant pentru a clasifica gradul de fibroză, pe baza scorurilor de fibroză de bază din biopsiile renale la aceiași pacienți. În această analiză pilot, ne-am concentrat pe delimitarea fibrozei ușoare/moderate versus severe (50% față de $50%) ca o dihotomie relevantă clinic, care poate fi utilă pentru un nefrolog care ia în considerare biopsia renală pentru pacientul său. Demonstrăm că algoritmii CNN pot diferenția fibroza renală severă de cea ușoară/moderată cu un grad ridicat de acuratețe
Materiale și metode
Baza de date pentru pacienți Aceasta a fost o analiză retrospectivă a biopsiilor de rinichi efectuate la Centrul Medical Irvine al Universității din California între 2014 și 2019. Am identificat pacienți cu scanări CT abdominale de 1 USD finalizate în decurs de 6 luni de la biopsia de rinichi. După screening-ul inițial al sistemului de evidență medicală, 42 de pacienți care au fost supuși imagisticii au fost excluși din următoarele motive: tomografie efectuată în afara perioadei de includere (0,6 luni de la data biopsiei, n53); imagistica prin rezonanță magnetică abdominală, dar nu s-a găsit CT în sistem (n56); pacienții au sărit din neatenție în procesul de adnotare (n52); rinichi nativi nesegmentați la un pacient care a suferit un transplant (n51); scanare de calitate scăzută cu artefact hardware (n51); și studii imagistice din exterior care nu au fost stocate în arhivele imagistice pe termen lung (n529). Restul de 152 de scanări CT de la 92 de pacienți au fost descărcate și volumul reconstruit axial de țesut moale a fost extras pentru analize ulterioare. Majoritatea scanărilor CT (79%) au fost efectuate fără contrast intravenos; 129 de scanări au fost efectuate pe un scaner Philips, 22 pe un scaner Siemens și una pe un scaner GE Medical Systems.
Un patolog (JEZ) a analizat o selecție aleatorie de pacienți pentru a confirma că gradul de fibroză a fost documentat cu acuratețe în rapoartele de biopsie renală. La pacienții discordanți, un al doilea patolog a revizuit diapozitivele pentru a determina adevărul de bază (vezi Mulțumiri). Gradul de bază al fibrozei renale din rapoartele de biopsie a fost tratat ca un rezultat binar: ușoară/moderată versus severă (fibroză interstițială și atrofie tubulară, 50% față de $50%). Rinichii nativi în scanările CT de la pacienții care au fost transplantați au fost calificați automat ca fibroză severă. Datele demografice și condițiile comorbide au fost compilate într-o bază de date REDCap, iar imaginile CT au fost accesate așa cum este descris mai jos. Toate procedurile de cercetare au fost aprobate de Universitatea din California Irvine Institutional Review Board.
Adnotare
Scanările CT au fost transferate din sistemul de arhivare și comunicație a imaginilor spitalului nostru într-o bază de date internă securizată. Un instrument personalizat de adnotare bazat pe web a fost folosit pentru a crea măști binare tridimensionale cu adevărul de bază corespunzătoare rinichilor drept și stângi nativi și orice transplant renal, dacă este prezent. Instrumentul de adnotare a fost implementat ca un simplu utilitar perie fără nicio funcționalitate avansată de conturare sau de prag. Doi studenți cercetători (HRT, KAPR) au servit ca adnotatori principali, iar un radiolog senior (PDC) a revizuit ulterior fiecare pacient și a rafinat adnotările pentru regiunea de interes, acolo unde a fost necesar.
Preprocesarea imaginii
Folosind măștile cu volumul renal adnotat ca șablon, fiecare rinichi a fost tăiat și reeșantionat la un volum de voxel izotrop 96 3 96396. Această opera de reeșantionarea fost necesară pentru a se asigura că toate intrările modelului aveau aceeași dimensiune a matricei și pentru a se adapta limitărilor memoriei unității de procesare grafică. Având în vedere volumele au fostdecupat mai întâi la rinichii drept și stângi și că rinichii constituie doar o mică parte din volumul original CT, dimensiunile voxelului final reeșantionate au fost similare în ressoluție la datele originale. Fiecare volum decupat a fost apoi normalizat prin tăierea tuturor valorilor voxelilor la un interval de la 2150 la 250 de unități Hounsfield și scalat cu un factor de 1:50. Oriceun singur examen din acest set de date poate conține până la trei rinichi tăiați individuali utilizați pentru antrenamentul algoritmului: (nativ) stânga, (nativ) dreapta și transplant. Pentru orice copil în parteney, un total de 96 de imagini bidimensionale (2D) (de dimensiunea 96396) au fost folosite pentru antrenament.
Abordarea CNN
Au fost testate și comparate două rețele CNN 2D personalizate diferite, pentru a diferenția fibroza renală severă de cea ușoară/moderată. Primul algoritm este un standard globalclasificator CNN felie cu felie, conceput pentru a prezice una dintre cele trei categorii care se exclud reciproc pentru fiecare imagine 2D: fără rinichi, fibroză ușoară/moderată și fibroză severă. Theal doilea algoritm este un clasificator CNN la nivel de pixel implementat printr-o arhitectură U-Net complet convoluțională pentru a realiza segmentarea și clasificarea simultană. În
ambele modele, clasificarea finală ignoră felii sau voxeli fără rinichi, iar o regulă majoritară este agregată pe predicțiile rămase. Ambii algoritmi sunt implementațiutilizând arhitectura de rețea de ultimă generație, squeeze-and-excitation, modelul cel mai performant al Provocării de recunoaștere vizuală la scară largă ImageNet în 2017 (18).Abordarea rețelei de comprimare și excitare permite rețelelor să recalibreze adaptiv răspunsurile caracteristicilor canalului pe baza diferitelor intrări ale modelului prin învățare
stabilirea interdependențelor între canale (Figura 1).
Figura 1.|Hărți termice de predicție generate de algoritmul de învățare profundă care identifică zonele suspectate de fibroză „severă” în rinichi. De la stânga la dreapta, rinichii variind de la normal la fibroză severă sunt prezentate cu grade progresive de parenchim fibrotic estimat. În rândul de jos sunt afișate previziunile normalizate medii softmax finale pentru întregul rinichi, variind de la 0.0 la 0.2; 0.2–0.4;{{0}},4–0,6; 0.6–0.8; și 0.8–1.0.
Clasificator global felie cu felie
Clasificatorul global CNN este o arhitectură personalizată derivată din VGG implementată cu module de excitație squeeze la fiecare strat. Intrarea modelului este o singură secțiune 2D (96396).iar rezultatul modelului este un vector logit cu trei elemente reprezentând o predicție cu trei clase. CNN este format din patru blocuri convoluționale, în care fiecare bloc este definit ca un 333convoluția, normalizarea lotului și ReLU repetate de trei ori în total. Subeșantionarea se realizează la sfârșitul fiecărui bloc printr-o circumvoluție cu un pas de doi. După
patru blocuri convoluționale (12 straturi), harta caracteristică finală este aplatizată și utilizată ca intrare într-un singur strat complet conectat.
Clasificator la nivel de voxel
Clasificatorul CNN la nivel de voxel este o arhitectură personalizată U-Net implementată cu module de excitație squeeze la fiecare strat (19). Intrarea modelului este o singură secțiune 2D (96396), iar rezultatul modelului este o singură mască de segmentare 2D (96396) cu o predicție cu trei clase la fiecare locație de voxel. CNN constă din patru blocuri convoluționale contractante, în care fiecare bloc este definit ca o convoluție 333, normalizare lot și Leaky ReLU repetat de trei ori în total. Subeșantionarea se realizează la sfârșitul fiecărui bloc printr-o circumvoluție cu un pas de doi. După patru blocuri convoluționale (12 straturi), operațiunile sunt inversate printr-o arhitectură de rețea identică, cu înlocuirea convoluțiilor stridden (sub-eşantionare) cu transpuneri convoluţionale (upsampling).
Implementarea rețelei neuronale
Pentru a optimiza ambele modele este utilizată o funcție de pierdere a crossentropiei softmax. Optimizarea a fost realizată folosind tehnica Adam (20) cu rate exponențiale de dezintegrare, b1 și b2, stabilitela {{0}},9 și, respectiv, 0,999. Rata de învățare este setată la 131023. Mărimea lotului este setată la opt, cu un total de 25,000 iterații de antrenament. Normalizarea Xavier este folosită pentru inițializaregreutățile înainte de antrenament (21). Codul algoritmului a fost scris în Python 3.6, biblioteca TensorFlow 2.1.0 și biblioteca Keras 1.0.8. Rețeaua este instruită pe clusterul nostru intern de unități de procesare grafică, care conține 48 Nvidia GeForce RTX 2080 Ti și 12 GeForce RTX Titans. În medie, clasificatorul global s-a antrenat timp de 30 de minute per experiment, în timp ce clasificatorul bazat pe voxel s-a antrenat timp de 2-4 ore per experiment.
Evaluare
Pentru a evalua procesul de instruire a fost utilizată o strategie de validare încrucișată în cinci rânduri. Deși până la trei rinichi diferiți de la fiecare pacient au fost tratați individual în timpulprocesul de instruire, toate volumele de la un singur pacient sunt stratificate în același grup de validare încrucișată pentru a preveni scurgerea datelor. Setul de date a fost împărțit 80:20 și apoi antrenat pe80%, în timp ce celelalte 20% au fost folosite pentru validare. Antrenamentul a fost repetat de cinci ori în total, cu diferite împărțiri 80:20 până când întregul set de date a fost complet validat
În plus față de experimentele pe întreaga cohortă de date, au fost efectuate analize suplimentare de subcohortă pentru a evalua potențialele variabile de confuzie. S-a aplicat stratificareape baza stării de contrast intravenos și excluderea rinichilor nativi atrofici la pacienții care au primit un transplant. În plus, pentru a evalua generalizarea modelului, modEle instruite exclusiv de la scanere Philips și GE au fost validate exclusiv cu date de la scanerele Siemens.
Statistici
Scopul studiului nostru a fost de a distinge între fibroza ușoară/moderată de fibroza severă pe imagistica CT renală. Regula majorității a fost utilizată în ambele abordări (slice-by-slice globalși bazate pe voxel) pentru a determina severitateafibrosis.Pentru a evalua performanța dintre cele două abordări,acuratețe, sensibilitate, specfioraș, valoare predictivă pozitivă(PPV) și valoarea predictivă negativă (NPV) au fost calculateîntârziat şi comparat. Zona de sub receptor funcționeazăcurba (ASC) a fost de asemenea calculată prin variarea softmaxpragul de scor pentrufibrosis classification și rezultatulcurba trasată pentru ambele abordări pentru comparare. Descrierestatisticile active sunt raportate ca medii6SD.
