תַקצִיררקע מטרת הבינה המלאכותית בצלקות בכליותהמחקר (AIRS) נועד לפתח כלי למידת מכונה לכימות לא פולשני שלפיברוזיס בכליותמסריקות הדמיה. שיטות ערכנו ניתוח רטרוספקטיבי של חולים שעברו סריקת בטן ממוחשבת אחת או יותר (CT) בתוך 6 חודשים לאחרביופסיה של כליה. הקבוצה הסופית כללה 152 סריקות CT מ-92 חולים, שכללו תמונות של 300 כליות מקומיות ו-76 כליות.השתלת כליות. שתי קונבולוציוניות שונותרשתות עצביות(מסווגים ברמת פרוסה ורמת ווקסל) נבדקו כדי להבדיל בין חמורים לעומת מתונים/בינונייםפיברוזיס בכליות(50% לעומת 50%).פיברוזיס אינטרסטיציאליוציוני ניוון צינורי מביופסיה של כליהדיווחים שימשו כאמת בסיסית. תוצאות שני המודלים של למידת מכונה הדגימו ערך ניבוי חיובי דומה ({{0}}.886 לעומת 0.935) ודיוק (0.831 לעומת 0.879). מסקנות לסיכום, אלגוריתמי למידת מכונה הם כלי אבחון לא פולשני מבטיחלכמת פיברוזיס בכליותמסריקות CT. התועלת הקלינית של כלי חיזוי אלה, במונחים של הימנעות מביופסיה כלייתית וסיכונים נלווים לדימום בחולים עם פיברוזיס חמורה, נותרה לאמת בניסויים קליניים פרוספקטיביים.
כמה זמן לוקח ל-CISTANCHE לעבוד עבור חולי כליות?
מבוא
ביופסיית כליה מלעורית מונחית אולטרסאונד נותרה סטנדרט הטיפול כאשר האבחנה ההיסטולוגית נדרשת כדי להנחות את הטיפול בפרוטאינוריה, המטוריה מיקרוסקופית, דחיית שתל או הפרעה בתפקוד כליות בלתי מוסבר (1,2). מידת הפיברוזיס בכליות או חומרת CKD אינה ידועה לעתים קרובות בזמן ביופסיית הכליה (3). ביופסיה של כליה שחושפת פיברוזיס חמורה (.50%) עשויה להבהיר את אבחנת המחלה, אך לא סביר שתשנה את הניהול הקליני ותציב את החולים בסיכון לדימום הקשור להליך (4). סיבוכים לאחר ביופסיה נעים בין המטוריה חולפת לדימום מסכן חיים ומתואמים עם גורמי סיכון הכוללים לחץ דם גבוה, גיל מתקדם, אנמיה, ספירת טסיות נמוכה, תפקוד כליות מופחת והפרעות בדימום (5). מטה-אנליזה עדכנית של 118,064 ביופסיות כליה מונחות אולטרסאונד דיווחה על שיעורי מקרים של עירויי דם, התערבות אנגיוגרפית ומוות של 2%, 0.3% ו-0.06%, בהתאמה (6).
הערכת חומרת CKD היא קריטית כאשר בוחנים את הסיכונים והיתרונות של ביופסיה של כליה, אך כלים לא פולשניים להערכת מידת הפיברוזיס אינם מפותחים (7). מחקרים שחקרו טכניקות אולטרסאונד (כולל הדמיית מהירות גלי גזירה, אלסטוגרפיה חולפת, אלסטוגרפיה בזמן אמת, סאונד דופלר ומתח קורטיקומדולרי אולטרסאונד) ציינו מתאם לא עקבי עם מידת הפיברוזיס בהיסטולוגיה של הכליות (3,8,9). יתר על כן, שיטות אלו תלויות במידה רבה בגורמים חיצוניים, כגון לחץ דם, משקל כליות, משקל גוף וכוח המתמר המופעל, שלא לדבר על שונות גבוהה בין צופים ובין צופים (3). דוח שנערך לאחרונה מצא מתאם הדוק ביןגודל כליה שנקבע באולטרסאונד עם תפקוד כליות משוער (eGFR) אך לא הוערךכִּליָהלַיֶפֶת(10). Kirpalani et al. דיווח כי אלסטוגרפיה של הדמיית תהודה מגנטית מבטיחה במונחים של מתאם בין ציוני נוקשות עם פיברוזיס בכליות (11), אך לא חקרה כלי למידת מכונה כאמצעי לאופטימיזציה של דיוק הניבוי.
טומוגרפיה ממוחשבת (CT) מאפשרת הדמיה ברזולוציה גבוהה של רקמת הכליה עם חשיפה מינימלית לקרינה למטופל (7). טכנולוגיית למידת מכונה בשילובהדמיית CT היא דרך מבטיחה עבור הלאהערכה פולשנית של הכליותfibrosis, במקום הנוכחיסטנדרט טיפול היסטולוגי. למידה עמוקה קונבולוציוניתרשתות עצביות (CNN) הן צורה חדשה של לימוד מכונהing, שיכול לבודד דפוסים רלוונטיים משלוטולוגיה, הדמיה או נתונים קליניים אחרים שימושיים למחלה
אפיון (12,13). טכנולוגיית CNN לאבחון נחקרה במגוון הגדרות, החל מדימום תוך גולגולתי וסרטן ועד דלקת ריאות ודלקת התוספתן (14-17).
מטרת המחקר של אינטליגנציה מלאכותית בצלקות כליות (AIRS) היא לפתח כלים של CNN לכימות פיברוזיס בכליות כחלופה אבחנתית בעזרת מחשב לביופסיה כלייתית. שני אלגוריתמים של CNN (מסווגים ברמת פרוסה ורמת ווקסל) הוכשרו לנתח הדמיית CT של כליות מקומיות וכליות מושתלות כדי לסווג את דרגת הפיברוזיס, בהתבסס על ציוני פיברוזיס אמיתיים מביופסיות כליות באותם חולים. בניתוח פיילוט זה, התמקדנו בהגדרת פיברוזיס קלה/בינונית לעומת חמורה (50% לעומת $50%) כדיכוטומיה רלוונטית קלינית שעשויה להיות שימושית עבור נפרולוג השוקל ביופסיית כליות עבור המטופל שלו. אנו מדגימים שאלגוריתמים של CNN יכולים להבדיל פיברוזיס כליות חמור מקל/בינוני ברמת דיוק גבוהה
חומרים ושיטות
מסד נתונים של מטופלים זה היה ניתוח רטרוספקטיבי של ביופסיות כליות שבוצעו במרכז הרפואי Irvine של אוניברסיטת קליפורניה בין השנים 2014 ו-2019. זיהינו חולים עם סריקות CT בטן בסך $1 שהושלמו תוך 6 חודשים מהביופסיה של הכליה. לאחר הבדיקה הראשונית של מערכת התיעוד הרפואי, 42 חולים שעברו הדמיה לא נכללו מהסיבות הבאות: בדיקת CT שנערכה מחוץ לתקופת ההכללה (.6 חודשים מתאריך הביופסיה, n53); הדמיית תהודה מגנטית בטן אך לא נמצא CT במערכת (n56); חולים דילגו בטעות בתהליך ההערה (n52); כליות מקומיות לא מפולחות בחולה שעבר השתלה (n51); סריקה באיכות נמוכה עם חפץ חומרה (n51); ומחקרי הדמיה חיצוניים שלא אוחסנו בארכיוני ההדמיה ארוכי הטווח (n529). שאר 152 סריקות ה-CT מ-92 חולים הורדו ונפח הרקמות הרכות המשוחזרות הציר חולץ לניתוח נוסף. רוב סריקות ה-CT (79%) נערכו ללא ניגוד תוך ורידי; 129 סריקות נערכו בסורק של פיליפס, 22 בסורק של סימנס ואחת בסורק של GE Medical Systems.
פתולוג (JEZ) סקר מבחר אקראי של חולים כדי לאשר שמידת הפיברוזיס תועדה במדויק בדוחות ביופסיה של הכליה. בחולים חסרי התאמה, פתולוג שני סקר את השקופיות כדי לקבוע את האמת (ראה תודות). מידת האמת של פיברוזיס בכליות מדיווחי ביופסיה טופלה כתוצאה בינארית: קלה/בינונית לעומת חמורה (פיברוזיס אינטרסטיציאלי וניוון צינורי, 50% לעומת $50%). כליות מקומיות בסריקות CT של חולים שהושתלו קיבלו ניקוד אוטומטי כפיברוזיס חמור. דמוגרפיה ומצבים נלווים נערכו במסד נתונים של REDCap, והגישה לתמונות CT כמתואר להלן. כל הליכי המחקר אושרו על ידי מועצת הביקורת המוסדית של אוניברסיטת קליפורניה של אירווין.
ביאור
סריקות ה-CT הועברו ממערכת ארכיון התמונות והתקשורת של בית החולים שלנו למסד נתונים פנימי מאובטח. נעשה שימוש בכלי הערות מבוסס אינטרנט מותאם אישית ליצירת מסכות בינאריות תלת-ממדיות אמיתיות המתאימות לכליה הימנית והשמאלית, ולכליות כליה, אם קיימות. כלי ההערות יושם ככלי מברשת פשוט ללא כל סף או פונקציונליות מתאר מתקדמת. שני חוקרים סטודנטים (HRT, KAPR) שימשו כמתייחסים העיקריים, ורדיולוג בכיר (PDC) סקר לאחר מכן כל מטופל ושיכלל הערות אזור עניין במידת הצורך.
עיבוד מקדים של תמונה
תוך שימוש במסכות נפח הכליות המובאות כתבנית, כל כליה נחתכה ונדגמה מחדש לנפח ווקסל איזוטרופי 96 3 96396. האופרה המחודשת הזונדרשה כדי להבטיח שכל כניסות הדגם יהיו באותו גודל מטריצה וכדי להתאים למגבלות של זיכרון יחידת העיבוד הגרפי. בהינתן הכרכים היונחתכו לראשונה לכליות ימין ושמאל, וכי הכליות מהוות רק חלק קטן מנפח ה-CT המקורי, גדלי ה-Voxel הסופי שנדגמו מחדש היו דומים ב-resפתרון לנתונים המקוריים. כל נפח חתוך עבר נורמליזציה על-ידי חיתוך כל ערכי ה-voxel לטווח של 2150 עד 250 יחידות Hounsfield והותאם לפי גורם של 1:50. כלבדיקה יחידה במערך נתונים זה עשויה להכיל עד שלוש כליות חתוכות בודדות המשמשות לאימון אלגוריתמים: (יליד) שמאל, (יליד) ימין והשתלה. לכל ילד בודדלא, סה"כ 96 תמונות דו מימדיות (2D) (בגודל 96396) שימשו לאימון.
גישת CNN
נבדקו והשוו שתי רשתות CNN בהתאמה אישית 2D שונים, כדי להבדיל בין פיברוזיס כליות חמור לפיברוזיס קל/בינוני. האלגוריתם הראשון הוא גלובלי סטנדרטימסווג CNN פרוסה אחר פרוסה, שנועד לחזות אחת משלוש קטגוריות בלעדיות הדדית עבור כל תמונה דו-ממדית: ללא כליות, פיברוזיס קל/בינוני ופיברוזיס חמור. האלגוריתם שני הוא מסווג CNN ברמת פיקסלים המיושם באמצעות ארכיטקטורת U-Net קונבולוציונית מלאה לביצוע פילוח וסיווג בו-זמנית. ב
בשני הדגמים, הסיווג הסופי מתעלם מפרוסות או ווקסלים ללא כליות, וכלל הרוב מצטבר על שאר התחזיות. שני האלגוריתמים מיושמיםבאמצעות ארכיטקטורת רשת הסחיטה והעירור המתקדמת, המודל בעל הביצועים הטובים ביותר של אתגר הזיהוי החזותי בקנה מידה גדול של ImageNet בשנת 2017 (18).גישת רשת הסחיטה והעירור מאפשרת לרשתות לכייל מחדש בצורה אדפטיבית תגובות תכונה לפי ערוץ המבוססות על תשומות מודל שונות על ידי למידה
יצירת תלות הדדית בין ערוצים (איור 1).
איור 1.|מפות חום חיזוי שנוצרו על ידי אלגוריתם למידה עמוקה המזהים אזורים של חשד לפיברוזיס "חמור" בתוך הכליה. משמאל לימין, כליות הנעות בין פיברוזיס רגילה עד חמורה מוצגות עם דרגות פרוגרסיביות של פרנכימה פיברוטית משוערת. תחזיות מנורמלות סופית של Softmax עבור כל הכליה מוצגות בשורה התחתונה, החל מ-0.0 עד 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; ו-0.8–1.0.
סיווג פרוסה אחר פרוסה גלובלי
הסיווג העולמי של CNN הוא ארכיטקטורה מותאמת אישית שמקורה ב-VGG המיושמת עם מודולי עירור לחיצה בכל שכבה. קלט הדגם הוא פרוסה דו-ממדית אחת (96396).ופלט המודל הוא וקטור לוגיט בן שלושה אלמנטים המייצג חיזוי של שלוש מחלקות. ה-CNN מורכב מארבעה בלוקים קונבולוציוניים, כאשר כל בלוק מוגדר כ-333קונבולציה, נורמליזציה של אצווה ו-ReLU חזרו שלוש פעמים בסך הכל. תת-דגימה מתבצעת בסוף כל בלוק דרך פיתול בצעד של שניים. לאחר
ארבעה בלוקים קונבולוציוניים (12 שכבות), מפת התכונות הסופית משטחת ומשמשת כקלט לשכבה אחת מחוברת במלואה.
סווג ברמת ווקסל
מסווג CNN ברמת voxel הוא ארכיטקטורה מותאמת אישית של U-Netderived המיושמת עם מודולי עירור לחיצה בכל שכבה (19). קלט הדגם הוא פרוסה בודדת דו-ממדית (96396) ופלט הדגם הוא מסכת פילוח דו-ממדית (96396) אחת עם חיזוי של שלוש מחלקות בכל מיקום ווקסל. ה-CNN מורכב מארבעה בלוקים קונבולוציוניים מתכווצים, כאשר כל בלוק מוגדר כקונבולוציה של 333, נורמליזציה של אצווה ו-Leaky ReLU חוזרים על עצמם שלוש פעמים בסך הכל. תת-דגימה מתבצעת בסוף כל בלוק דרך פיתול בצעד של שניים. לאחר ארבעה בלוקים קונבולוציוניים (12 שכבות), הפעולות מתהפכות באמצעות ארכיטקטורת רשת זהה, עם החלפת פיתולים מדורגים (תת-דגימה) עם טרנספוזים קונבולוציוניים (הדגימה מעלה).
יישום רשת עצבית
פונקציית אובדן softmax crossentropy משמשת למיטוב שני הדגמים. אופטימיזציה בוצעה באמצעות טכניקת אדם (20) עם קצבי דעיכה אקספוננציאליים, b1 ו-b2, סטל-{{0}}.9 ו-0.999, בהתאמה. קצב הלמידה מוגדר ל-131023. גודל האצווה מוגדר לשמונה, עם סך של 25,000 איטרציות הדרכה. נורמליזציה של Xavier משמשת לאתחולהמשקולות לפני האימון (21). קוד האלגוריתם נכתב בספריית Python 3.6, TensorFlow 2.1.0 ובספריית Keras 1.0.8. הרשת מאומנת על אשכול יחידות העיבוד הגרפי הביתי שלנו, המכיל 48 Nvidia GeForce RTX 2080 Ti ו-12 GeForce RTX Titans. בממוצע, המסווג הגלובלי התאמן במשך 30 דקות לכל ניסוי, בעוד שהמסווג מבוסס ווקסל התאמן במשך 2-4 שעות לכל ניסוי.
הַעֲרָכָה
נעשה שימוש באסטרטגיית אימות צולב פי חמישה כדי להעריך את תהליך האימון. למרות שעד שלוש כליות שונות מכל מטופל טופלו בנפרד במהלךתהליך ההכשרה, כל הנפחים ממטופל בודד מחולקים לאותה קבוצת אימות צולב כדי למנוע דליפת נתונים. מערך הנתונים היה מפוצל 80:20 ולאחר מכן הוכשר על80%, בעוד שה-20% האחרים שימשו לאימות. האימון חזר על עצמו חמש פעמים בסך הכל עם פיצולים שונים של 80:20 עד שכל מערך הנתונים אושר במלואו
בנוסף לניסויים על כל קבוצת הנתונים, בוצעו ניתוחי קבוצות משנה נוספים כדי להעריך משתנים פוטנציאליים מבלבלים. הוחל ריבודמבוסס על מצב ניגוד תוך ורידי והדרה של כליות מקומיות אטרופיות בחולים שקיבלו השתלה. יתר על כן, כדי להעריך את יכולת ההכללה של המודל, modאלפים שהוכשרו אך ורק מסורקי Philips ו-GE אושרו אך ורק עם נתונים מסורקי סימנס.
סטָטִיסטִיקָה
מטרת המחקר שלנו הייתה להבחין בין פיברוזיס קל/בינוני לפיברוזיס חמור בהדמיית CT של כליות. כלל הרוב שימש בשתי הגישות (פרוסה גלובלית פרוסהו-voxel-based) כדי לקבוע את חומרתfibrosis.כדי להעריך את הביצועים בין שתי הגישות,דיוק, רגישות, מפרטfiעיר, ערך ניבוי חיובי(PPV) וערך ניבוי שלילי (NPV) היו מחושביםאיחר והשוותה. האזור שמתחת למקלט פועלעקומה (AUC) חושבה גם על ידי שינוי ה-softmaxסף ציון עבורfibrosis classifiקטיון והתוצאהעקומת ינג שצוירה עבור שתי הגישות להשוואה. תארנתונים סטטיסטיים מדווחים כממוצעים6SD.
