AbstractPozadina Cilj vještačke inteligencije uRenal Scarring(AIRS) studija je da razvije alate za mašinsko učenje za neinvazivnu kvantifikacijufibroza bubregaod skeniranja slika. Metode Proveli smo retrospektivnu analizu pacijenata koji su imali jednu ili više kompjuterizovanih tomografija abdomena (CT) unutar 6 meseci nakonbiopsija bubrega. Konačna kohorta je obuhvatila 152 CT skeniranja od 92 pacijenta, koji su uključivali slike 300 nativnih bubrega i 76presaditi bubrege. Dva različita konvolucionaneuronske mreže(klasifikatori na nivou isječaka i na nivou voksela) testirani su kako bi se razlikovale teške od blage/umjerenefibroza bubrega(50% u odnosu na,50%).Intersticijska fibrozai tubularne atrofije rezultate odbiopsija bubregaizvještaji su korišteni kao temeljna istina. Rezultati Dva modela mašinskog učenja pokazala su sličnu pozitivnu prediktivnu vrijednost ({{0}}.886 naspram 0.935) i tačnost (0.831 naspram 0.879). Zaključci Ukratko, algoritmi mašinskog učenja su obećavajući neinvazivni dijagnostički alatkvantifikovati fibrozu bubregaod CT skeniranja. Klinička korisnost ovih alata za predviđanje, u smislu izbjegavanja biopsije bubrega i povezanih rizika od krvarenja kod pacijenata s teškom fibrozom, ostaje da se potvrdi u prospektivnim kliničkim ispitivanjima.
KOLIKO JE TREBA DA CISTANCHE proradi KOD BUBREŽNIH BOLESNIKA?
Uvod
Perkutana biopsija bubrega vođena ultrazvukom ostaje standard njege kada je histološka dijagnoza potrebna za usmjeravanje liječenja proteinurije, mikroskopske hematurije, odbacivanja transplantata ili neobjašnjive disfunkcije bubrega (1,2). Stepen bubrežne fibroze ili ozbiljnosti CKD često nije poznat u vrijeme biopsije bubrega (3). Biopsija bubrega koja otkriva tešku (.50%) fibrozu može razjasniti dijagnozu bolesti, ali je malo vjerovatno da će promijeniti kliničko liječenje i dovesti pacijente u rizik od krvarenja u vezi sa procedurom (4). Komplikacije nakon biopsije kreću se od prolazne hematurije do krvarenja opasnog po život i koreliraju s faktorima rizika koji uključuju povišen krvni tlak, naprednu dob, anemiju, nizak broj trombocita, smanjenu funkciju bubrega i abnormalnosti hemostaze (5). Nedavna meta-analiza 118,064 ultrazvučno vođene biopsije bubrega izvijestila je o stopi incidenata za transfuziju krvi, angiografsku intervenciju i smrt od 2%, 0,3%, odnosno 0,06% (6).
Procjena težine CKD-a je kritična kada se razmatraju rizici i koristi od biopsije bubrega, ali neinvazivni alati za procjenu stepena fibroze su nedovoljno razvijeni (7). Studije koje su istraživale ultrazvučne tehnike (uključujući snimanje brzine posmičnog talasa, prolaznu elastografiju, elastografiju u realnom vremenu, Dopler sonografiju i ultrazvučno kortikomedularno naprezanje) su uočile nedoslednu korelaciju sa stepenom fibroze na histologiji bubrega (3,8,9). Nadalje, ove metode snažno zavise od vanjskih faktora, kao što su krvni tlak, težina bubrega, tjelesna težina i primijenjena sila transduktora, a da ne spominjemo visoku varijabilnost unutar i među promatračima (3). Nedavni izvještaj otkrio je blisku korelaciju izmeđuultrazvučno određena veličina bubrega s procijenjenom funkcijom bubrega (eGFR), ali nije procijenjenabubregfibroza(10). Kirpalani et al. izvijestili su da je elastografija magnetnom rezonancom obećavajuća u smislu korelacije rezultata krutosti s fibrozom bubrega (11), ali nije istraživala alate za strojno učenje kao sredstvo za optimizaciju tačnosti predviđanja.
Kompjuterizovana tomografija (CT) omogućava snimanje bubrežnog tkiva visoke rezolucije uz minimalno izlaganje zračenju pacijenta (7). Tehnologija mašinskog učenja u kombinacijiCT snimanje je obećavajući put za one koji nisuinvazivna procjena bubregafibrosis, umjesto strujehistološki standard liječenja. Dubinsko učenje konvoluciononeuronske mreže (CNN) su novi oblik mašinskog učenjaing, koji može izolovati relevantne obrasce od njegovihtologiju, slike ili druge kliničke podatke korisne za bolest
karakterizacija (12,13). CNN tehnologija za dijagnostiku istražena je u različitim okruženjima, u rasponu od intrakranijalnog krvarenja i raka do upale pluća iupala slijepog crijeva (14–17).
Cilj studije umjetne inteligencije kod ožiljaka bubrega (AIRS) je razviti CNN alate za kvantifikaciju fibroze bubrega kao kompjuterski potpomognutu dijagnostičku alternativu biopsiji bubrega. Dva CNN algoritma (klasifikatori na nivou isječaka i na nivou voksela) su obučeni za analizu CT snimanja nativnih i transplantiranih bubrega kako bi klasifikovali stepen fibroze, na osnovu tačnih rezultata fibroze iz biopsija bubrega kod istih pacijenata. U ovoj pilot analizi fokusirali smo se na razgraničenje blage/umjerene naspram teške (50% naspram 50%) fibroze kao klinički relevantne dihotomije koja može biti korisna za nefrologa koji razmatra biopsiju bubrega za svog pacijenta. Pokazali smo da CNN algoritmi mogu razlikovati tešku od blage/umjerene fibroze bubrega s visokim stupnjem tačnosti
Materijali i metode
Baza podataka pacijenata Ovo je bila retrospektivna analiza biopsija bubrega obavljena u Medicinskom centru Irvine Univerziteta Kalifornije između 2014. i 2019. Identifikovali smo pacijente sa CT abdominalnim skeniranjem od 1 USD završenim u roku od 6 mjeseci od biopsije bubrega. Nakon inicijalnog skrininga sistema medicinske dokumentacije, 42 pacijenta koji su bili podvrgnuti imidžingu su isključeni iz sljedećih razloga: CT skeniranje obavljeno izvan perioda uključivanja (.6 mjeseci od datuma biopsije, n53); abdominalna magnetna rezonanca, ali CT nije pronađen u sistemu (n56); pacijenti nenamjerno preskočeni u procesu označavanja (n52); nativni bubrezi koji nisu segmentirani kod pacijenta koji je bio podvrgnut transplantaciji (n51); skeniranje lošeg kvaliteta sa hardverskim artefaktom (n51); i vanjske studije snimanja koje nisu bile pohranjene u dugoročnim arhivama slika (n529). Preostala 152 CT skeniranja od 92 pacijenta su preuzeta i aksijalni volumen rekonstruisanog mekog tkiva je ekstrahovan za dalju analizu. Većina CT skeniranja (79%) obavljena je bez intravenskog kontrasta; 129 skeniranja obavljeno je na Philips skeneru, 22 na Siemens skeneru i jedno na skeneru GE Medical Systems.
Patolog (JEZ) je pregledao nasumični odabir pacijenata kako bi potvrdio da je stepen fibroze tačno dokumentovan u izvještajima o biopsiji bubrega. Kod neskladnih pacijenata, drugi patolog je pregledao slajdove kako bi utvrdio osnovnu istinu (pogledajte Priznanja). Osnovni stepen fibroze bubrega iz izvještaja o biopsiji tretiran je kao binarni ishod: blagi/umjereni naspram teškog (intersticijska fibroza i tubularna atrofija, 50% naspram 50%). Nativni bubrezi na CT skeniranju pacijenata koji su bili transplantirani automatski su ocijenjeni kao teška fibroza. Demografski i komorbidni uslovi su sastavljeni u REDCap bazi podataka, a CT snimcima je pristupljeno kako je opisano u nastavku. Sve istraživačke procedure je odobrio Institucionalni odbor za reviziju Univerziteta Kalifornije Irvine.
Anotacija
CT skenovi su prebačeni iz našeg bolničkog sistema za arhiviranje slika i komunikacije u sigurnu internu bazu podataka. Prilagođeni vlasnički alat za označavanje na webu korišten je za kreiranje trodimenzionalnih binarnih maski temeljne istine koje odgovaraju prirodnom desnom i lijevom bubrezima, i svim transplantacijama bubrega, ako postoje. Alat za napomene je implementiran kao jednostavan uslužni program za četkicu bez ikakvog praga ili napredne funkcionalnosti konturiranja. Dva studenta istraživača (HRT, KAPR) služila su kao glavni anotatori, a viši radiolog (PDC) je naknadno pregledao svakog pacijenta i precizirao napomene za područje interesa gdje je to bilo potrebno.
Predobrada slike
Koristeći označene maske volumena bubrega kao predložak, svaki bubreg je izrezan i ponovo uzorkovan na izotropni volumen voksela 96 3 96396. Ova opera za resamplingbila je potrebna da bi se osiguralo da svi ulazi u model budu iste veličine matrice i da bi se prilagodili ograničenjima memorije grafičke procesorske jedinice. S obzirom na količine koje su bileprvo izrezani na desni i lijevi bubreg, i da bubrezi čine samo mali dio originalnog CT volumena, konačne ponovo uzorkovane veličine voksela bile su slične u rezolucijirješenje originalnih podataka. Svaki izrezani volumen je tada normaliziran isjecanjem svih vokselskih vrijednosti na raspon od 2150 do 250 Hounsfield jedinica i skalirani faktorom 1:50. Bilo kojijedan ispit u ovom skupu podataka može sadržavati do tri pojedinačna izrezana bubrega koja se koriste za obuku algoritma: (nativni) lijevi, (nativni) desni i transplantacija. Za svako pojedinačno deteney, za obuku je korišteno ukupno 96 dvodimenzionalnih (2D) slika (veličine 96396).
CNN pristup
Dvije različite prilagođene 2D CNN mreže su testirane i upoređene, kako bi se razlikovala teška od blage/umjerene fibroze bubrega. Prvi algoritam je standardni globalniCNN klasifikator slice-by-slice, dizajniran da predvidi jednu od tri međusobno isključive kategorije za svaku 2D sliku: bez bubrega, blaga/umjerena fibroza i teška fibroza. Thedrugi algoritam je CNN klasifikator na nivou piksela implementiran kroz potpuno konvolucionu U-Net arhitekturu za obavljanje simultane segmentacije i klasifikacije. U
oba modela, konačna klasifikacija zanemaruje rezove ili voksele bez bubrega, a pravilo većine se agregira na preostala predviđanja. Oba algoritma su implementiranakoristeći najsavremeniju mrežnu arhitekturu stiskanja i pobuđivanja, model sa vrhunskim performansama ImageNet Large Scale Visual Recognition Challenge u 2017. (18).Mrežni pristup stiskanja i pobuđivanja omogućava mrežama da adaptivno rekalibriraju odzive karakteristika kanala na osnovu različitih unosa modela učenjem
međuzavisnosti između kanala (Slika 1).
Slika 1.|Toplotne mape predviđanja koje generiše algoritam dubokog učenja koji identifikuje područja sumnje na "ozbiljnu" fibrozu unutar bubrega. S lijeva na desno prikazani su bubrezi u rasponu od normalne do teške fibroze sa progresivnim stupnjevima procijenjenog fibroznog parenhima. Konačna srednja softmax normalizirana predviđanja za cijeli bubreg prikazana su u donjem redu, u rasponu od 0.0 do 0.2; 0.2–{7}}.4;{{0}}.4–0.6; 0.6–0.8; i 0.8–1.0.
Globalni klasifikator komad-po-slice
Globalni CNN klasifikator je prilagođena arhitektura izvedena iz VGG-a implementirana sa modulima pobude stiskanja na svakom sloju. Ulaz modela je jedan 2D (96396) isječaka izlaz modela je logit vektor od tri elementa koji predstavlja predviđanje od tri klase. CNN se sastoji od četiri konvoluciona bloka, gdje je svaki blok definiran kao 333konvolucija, normalizacija serije i ReLU ponovljeni ukupno tri puta. Poduzorkovanje se izvodi na kraju svakog bloka kroz konvoluciju s korakom od dva. Poslije
četiri konvoluciona bloka (12 slojeva), konačna mapa karakteristika je spljoštena i koristi se kao ulaz u jedan potpuno povezani sloj.
Klasifikator na nivou voksela
CNN klasifikator na nivou voksela je prilagođena U-Netderived arhitektura implementirana sa modulima pobude stiskanja na svakom sloju (19). Ulaz modela je jedan 2D (96396) isječak, a izlaz modela je jedna 2D (96396) segmentna maska sa predviđanjem od tri klase na svakoj lokaciji voksela. CNN se sastoji od četiri ugovarajuća konvoluciona bloka, gdje je svaki blok definiran kao 333 konvolucija, normalizacija serije i Leaky ReLU ponovljen ukupno tri puta. Poduzorkovanje se izvodi na kraju svakog bloka kroz konvoluciju s korakom od dva. Nakon četiri konvolucijska bloka (12 slojeva), operacije se obrću kroz identičnu mrežnu arhitekturu, uz zamjenu ubrzanih konvolucija (pod-uzorkovanje) sa konvolucijskim transponijama (upsampling).
Implementacija neuronske mreže
Za optimizaciju oba modela koristi se softmax funkcija gubitka crossentropije. Optimizacija je izvedena pomoću Adamove tehnike (20) sa eksponencijalnim brzinama raspada, b1 i b2, postavljenimna {{0}}.9 i 0.999, respektivno. Brzina učenja je postavljena na 131023. Veličina grupe je postavljena na osam, sa ukupno 25,000 iteracija obuke. Xavier normalizacija se koristi za inicijalizacijuutezi prije treninga (21). Algoritamski kod je napisan u Python 3.6, TensorFlow 2.1.0 biblioteci i Keras 1.0.8 biblioteci. Mreža je obučena na našem internom klasteru grafičkih procesorskih jedinica, koji sadrži 48 Nvidia GeForce RTX 2080 Ti i 12 GeForce RTX Titan. U prosjeku, globalni klasifikator je trenirao 30 minuta po eksperimentu, dok je klasifikator baziran na vokselu trenirao 2-4 sata po eksperimentu.
Evaluacija
Za evaluaciju procesa obuke korištena je peterostruka strategija unakrsnog provjere. Iako su do tri različita bubrega od svakog pacijenta tretirana pojedinačno tokomu procesu obuke, svi volumeni od jednog pacijenta su stratificirani u istu grupu za unakrsnu validaciju kako bi se spriječilo curenje podataka. Skup podataka je podijeljen u omjeru 80:20 i zatim obučen na80%, dok je ostalih 20% korišteno za validaciju. Obuka je ponovljena ukupno pet puta s različitim podjelama u omjeru 80:20 dok cijeli skup podataka nije u potpunosti potvrđen
Pored eksperimenata na cijeloj kohorti podataka, izvršene su dodatne analize podkohorte kako bi se procijenile moguće zbunjujuće varijable. Primijenjena je stratifikacijana osnovu intravenskog kontrastnog statusa i isključenja atrofičnih nativnih bubrega kod pacijenata koji su primili transplantaciju. Nadalje, za procjenu generalizabilnosti modela, modeli obučeni isključivo od Philips i GE skenera su potvrđeni isključivo podacima iz Siemens skenera.
Statistika
Cilj našeg istraživanja bio je razlikovati blagu/umjerenu fibrozu od teške fibroze na CT snimku bubrega. Pravilo većine korišteno je u oba pristupa (globalni dio po dio).i na bazi voksela) za određivanje ozbiljnostifibrosis.Za procjenu učinka između dva pristupa,tačnost, osjetljivost, specfigrad, pozitivna prediktivna vrijednost(PPV) i negativna prediktivna vrijednost (NPV) su izračunateuporedio i uporedio. Područje ispod prijemnika radikriva (AUC) je takođe izračunata variranjem softmaxabodovni prag zafibrosis classifikacija i rezultatkriva nacrtana za oba pristupa za poređenje. Opistivne statistike se izvještavaju kao srednja vrijednost6SD.
