Procjena vještačke inteligencije bubrežnih ožiljaka (AIRS studija) Ⅱ

Rezultati

Oba modela su obučena i validirana na ukupno 152 CT skeniranja od 92 pacijenta, koji su sadržavali 148 lijevog bubrega, 152 desna bubrega i 73presaditi bubrege. Karakteristike pacijenata su sažete u tabeli 1; 55 pacijenata je imalo minimalnu ili blagu (25%) fibrozu, 14 pacijenata je klasifikovano kao umjerenu (25%-50%) fibrozu, a 23 pacijenta je imala tešku (.50%) fibrozu. Prosječni eGFR je bio 37626 naspram 25618 naspram 16613 ml/min po 1,73 m2, respektivno, u grupama sa blage naspram umjerene naspram teške fibroze. Pacijenti sa blagom/umjerenom fibrozom grupirani su za analizu u odnosu na pacijente sa teškom fibrozom na CT snimku bubrega;prosečan volumen bubregabio je 217 cm3 (raspon 48-668) naspram 76 cm3 (raspon 3-347) u grupama sa blagom/umjerenom naspram teške (,50% naspram 50%) fibroze. Postojala je biopsija jednog pacijenta koja je dala neskladne rezultate fibroze (upoređujući izvještaj medicinske karte sa trenutnim pregledom patologa), a temeljna istina je utvrđena slijepim pregledom od strane drugog patologa (pogledajte Priznanja)

cistanche treat kidney disease

KOLIKO JE TREBA DA CISTANCHE proradi KOD BUBREŽNIH BOLESNIKA?

Prilikom unakrsnog preklapanja validacije, model slice-by-slice dao je ukupni AUC od 0,917, dok je pristup baziran na vokselu dao ukupni AUC od 0,922 (Slika 2). Tačnost modela, osjetljivost, specifičnost, PPV i NPV na različitim pragovima procijenjenim u oba CNN algoritma su sažeti u tabeli 2. Na pragu predviđanja od {{10}}.5, isječak po -slice pristup nam je dao tačnost od 0.831, osjetljivost od 0.817, specifičnost {{20}}.852, PPV od 0.886 , i NPV od 0.767. Na istom pragu predviđanja od 0.5, pristup zasnovan na vokselu dao je slične rezultate sa tačnošću od 0.879, osjetljivošću od 0.853, specifičnošću {{35} }.916, PPV od 0,935 i NPV od 0,816. Pristup zasnovan na vokselu u poređenju sa izvještajima o patologiji koja je istinita daje 13 lažno pozitivnih (blaga/umjerena fibroza klasificirana kao teška), 32 lažno negativna (teška fibroza nije otkrivena; 15% promašaja), 187 istinitih pozitivnih rezultata i 141 pravi negativan .

Rezultati stratificiranih subkohortnih analiza prikazani su u Tabeli 3. Ukupni učinak na oba modela bio je sličan nakon isključivanja postkontrastnih pregleda i/iliisključenje atrofičnih nativnih bubregakod pacijenata koji su bili podvrgnuti transplantaciji. Manji pad performansi ({{0}}.86 tačnost) je zabilježen posebno za CNN strategiju zasnovanu na vokselu nakon uklanjanja postkontrastnih pregleda; sve ostale permutacije su pokazale tačnost od $0,90. Dodatno, ukupna generalizacija modela je očuvana nakon stratifikacije seta za obuku (Philips, GE) i seta za validaciju (Siemens) isključivo od strane proizvođača. Poređenje naših alata za predviđanje i drugih CNN studija kojeprocijenjena bolest bubregaparametara je zbirprikazano u tabeli 4.

Echinacoside of cistanche can improve kidney function

Diskusija

Pokrenuli smo AIRS studiju za razvoj alata za mašinsko učenjekvantifikovati fibrozu bubregakao neinvazivna dijagnostička alternativa biopsiji bubrega. U kohorti od 92 pacijenta, analizirali smo 300nativne slike bubregai 73 transplantirana bubrega iz 152 CT skeniranja abdomena. Otkrili smo da su globalni CNN modeli slice-by-slice i voxel-based CNN slični u razlikovanju teških od blagih/umjerena fibroza bubrega, sa AUC {{0}}.917 naspram 0.922, i PPV 0.886 naspram 0.935, u poređenju sa osnovnom istinom izizvještaji o biopsiji bubrega. Oba modela CNN-a su dosljedno radila kada su testirani na različitim CT skenerima i kada su isključeni atrofični nativni bubrezi kod pacijenata koji su bili podvrgnuti transplantaciji; globalni model slice-by-slice imao je nešto bolju tačnost predviđanja kada su testirani samo CT skenovi bez kontrasta.

Dijagnostička biopsija bubrega ostaje standard njege kada je histološka dijagnoza potrebna za usmjeravanje liječenja proteinurije, odbacivanja transplantata ili neobjašnjivog bubregadisfunkcija (1,2). Međutim, odluka o nativnoj biopsiji bubrega može biti složena, posebno ako je pacijent na antikoagulansnoj terapiji ili ima anemiju ili trombocitopenijušto može povećati rizik od velikih komplikacija,uključujući transfuziju krvi, angiografske intervencije,i smrt (ukupne stope incidenata 2%, 0.3% i 0.06%,odnosno) (6). Neinvazivni alati za procjenu stepenabubregafibroze nedostaju (7), a do danas nisu utilizirane alate za strojno učenje kako bi se minimizirala subjektivnost ipristrasnost. Ovi alati se mogu pokazati korisnim kada se procijene ukontekst drugih markera hroničnog oštećenja bubrega(e.g., povišen paratiroidni hormon i fosfat). U partikularno, predviđanje teške (.50%) fibrosis može opravdatiizbjegavanje biopsije bubrega jer pacijent ne bibiti kandidat za imunomodulirajuću terapiju (i.e., thebiopsija ne bi promijenila kliničko upravljanje). Ova informacijamacija je vrijedna, na primjer, kada su pacijenti prisutnisa uznapredovalim zatajenjem bubrega i nepoznatim medicinskim njegovimtory. Dodatni prolazi sa iglom za biopsiju za optimizaciju

uzimanje uzoraka glomerula za histologiju iz afibrozni bubregmože dovesti do povećanog rizika od krvarenja (22). Ako se na CNN analizi CT skeniranja predvidi ozbiljan stepen fibroze, medicinski tim može odlučiti da ograniči uzimanje uzoraka biopsije ili da u potpunosti izbjegne biopsiju bubrega, nakon zajedničkog donošenja odluke s pacijentom. Treba napomenuti da dijagnostička nativna biopsija bubrega i dalje može biti indicirana u naizgled završnom stadijumu bubrega po diskreciji nefrologa kako bi se usmjerila procjena kandidature za transplantaciju ili kako bi se utvrdila etiologija sistemske bolesti.

Primijetili smo da je prag predviđanja od 0.5 najbolje pokazao buduću primjenjivost u kliničkom donošenju odluka, pri čemu je cilj identificirati pacijente sauznapredovali bubregfibrozu, te na taj način izbjegavaju invazivnu biopsijui njegove potencijalne komplikacije krvarenja o kojima se raspravljalo gore.Sa CNN modelom baziranim na vokselu, prag od 0.5 bi bio

identificirati 85% osoba sa uznapredovalom fibrozom bubrega sa PPV od 94% (Tabela 2). Podizanje praga na 0.9 bi neznatno poboljšalo PPV na 95%, ali bi drastično smanjilo osjetljivost sa 85% na 72% (tj. propustilo bi 28% osoba sa teškom fibrozom).

effect of cistanche improve kidney function (2)

Trenutno, primarno ograničenje predloženog algoritma je zahtjev da se za svaki bubreg definira ručno područje od interesa prije predviđanja dubokog učenja.

Međutim, treba napomenuti da iako su trodimenzionalne konture bubrega generirane kao dio ove studije, predviđanje za svakog novog pacijenta (tj. odvojeno od treninga) zahtijevalo je samo grubu graničnu kocku oko bubrega(-ova) da se definira . Razvijaju se algoritmi za segmentaciju cijelog bubrega zasnovanu na dubokom učenju, što bi omogućilo potpuno automatizirani proces od kraja do kraja (23,24). Drugo ograničenje je da heterogenost u stepenu fibroze u jednom bubregu može biti izvor greške u algoritmu koji temelji na istinitosti i validaciji. U ovoj studiji odlučili smo da damo prioritet kompromisu uključivanja više potencijalno bučnih podataka (cijeli bubrezi su segmentirani) umjesto korištenja male količine čistih podataka; Empirijski, ova strategija je uobičajena u zadacima dubokog učenja velikih podataka, a naše zapažanje AUC predviđanja algoritma od 0.911 sugerira da je stepen buke koju ova strategija donosi skroman. Buduće usavršavanje ovih algoritama za predviđanje CNN-a će se istraživati kroz inkorporaciju kliničkih laboratorijskih vrijednosti relevantnih za CKD, kao što su kreatinin, paratiroidni hormon i hemoglobin. U očekivanju većih skupova podataka, izlaz algoritma se može dalje optimizirati kako bi uključio ekspanzivnije kvantitativno binning(stepen odfibrosis,25%, 25%–50%, 50%–75% i.75%). Konačno, s obzirom na trenutni algoritam je obučen i valjandatiran na osnovu podataka jedne institucije, dalji rad jepotrebno da se proceni generalizacija izvan proučavanogkohorta pacijenata.

Prema našim saznanjima, studija AIRS je prva koja koristi CNN modele za predviđanje stepena fibroze bubrega na osnovu skeniranja slike. Rezultati su obećavajući i pružaju aosnova za testiranje ovih CNN alata u prospektivnim ispitivanjima, dapotvrditi njihovu korisnost u kliničkom donošenju odluka kada jestenejasno je li pacijent's bubrežna bolest je akutna u odnosu na

hronično.

kidney function

Otkrivanja

J. Zuckerman izvještava da ima konsultantske ugovore sa Leica Biosystems; izvještava o primanju honorara od ApotheComa; i izvještava kao naučni savjetnik ili član Patologije obrisacom. P. Chang izvještava da ima konsultantske ugovore sa, iprimanje sredstava za istraživanje od Canon Medical; i izvještaji havvlasništvo nad Avicenna.ai. WL Lau izvještava da imakonsultantski ugovori sa Ardelyxom i Freseniusom; izvještajiprima sredstva za istraživanje od Američkog udruženja za srce,Hub Therapeutics i Nacionalni institut za zdravlje; i

izvještava o primanju honorara od Roche Australian Nephrology Preceptorship. Svi preostali autori nemaju šta da otkriju.

Finansiranje

Ovaj projekat je finansirao Univerzitet Kalifornije, Nagrada za istraživanje Katedre za medicinu Irvine 2019–2021.

Zahvale Autori zahvaljuju dr. Anthonyju Sisku (Odjel za patologiju i laboratorijsku medicinu, Medicinski fakultet David Geffen na Univerzitetu Kalifornije u Los Angelesu) na slijepom pregleduneskladni pacijenti na biopsiji kako bi se utvrdila osnovna istina.

Prilozi autora

WL Lau je konceptualizirao studiju; C. Chantaduly, K. Perez Reyes, H. Troutt i J. Zuckerman bili su odgovorni za prikupljanje podataka; Odgovorni su bili P. Chang, C. Chantaduly i J. Zuckermanza formalnu analizu; WL Lau je bio odgovoran zapribavljanje sredstava; C. Chantaduly i K. Perez Reyes su biliodgovoran za istragu; P. Chang, C. Chantaduly i J.Zuckerman je bio odgovoran za metodologiju; WL Lau iH. Troutt je bio odgovoran za administraciju projekta; P. Changbio odgovoran za resurse i softver; P. Chang i WLLau je osigurao nadzor; C. Chantaduly i H. Troutt su napisalioriginalni nacrt; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,i H. Troutt su pregledali i uredili rukopis.

Reference

1. Luciano RL, Moeckel GW: Ažuriranje nativne biopsije bubrega: Osnovni nastavni plan i program 2019. Am J Kidney Dis 73: 404–415, 2019 https://doi.org/10.1053/j.ajkd.2018.10.011

2. Hogan JJ, Mocanu M, Berns JS: Nativna biopsija bubrega: ažuriranje i dokazi za najbolju praksu. Clin J Am Soc Nephrol 11: 354–362, 2016https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Dijagnoza i procjena renalne fibroze: stanje tehnike. Swiss Med Wkly 147: w14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; ERA-EDTA radna grupa za imunonefrologiju: Biopsija bubrega 2015: od epidemiologije do indikacija zasnovanih na dokazima. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Praksa biopsije bubrega: Šta je zlatni standard? World J Nephrol 3: 287–294, 2014 https://doi.org/10. 5527/wjn.v3.i4.287

6. Poggio ED, McClelland RL, Blank KN, Hansen S, Bansal S, Bomback AS, Canetta PA, Khairallah P, Kiryluk K, Lecker SH, McMahon GM, Palevsky PM, Parikh S, Rosas SE, Tuttle K, Vaz quez MA , Vijayan A, Rovin BH; Projekat precizne medicine bubrega: Sistematski pregled i meta-analiza komplikacija nativne biopsije bubrega. Clin J Am Soc Nephrol 15: 1595–1602, 2020 https://doi.org/10.2215/CJN.04710420

7. Abdeltawab H, Shehata M, Shalaby A, Khalifa F, Mahmoud A, El-Ghar MA, Dwyer AC, Ghazal M, Hajjdiab H, Keynton R, El-Baz A: Novi CAD sistem zasnovan na CNN-u za ranu procjenu disfunkcija transplantiranog bubrega. Sci Rep 9: 5948, 2019 https:// doi.org/10.1038/s41598-019-42431-3

8. Wang Z, Yang H, Suo C, Wei J, Tan R, Gu M: Primjena ultrazvučne elastografije za kroničnu disfunkciju alografta u transplantaciji bubrega. J Ultrasound Med 36: 1759–1769, 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€ utter-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: Sonografija bubrežnog alografta: Korelacija između indeksa dopler sonografske rezistencije (RI) i histopatologija. Clin Hemorheol Microcirc 70: 413–422, 2018 https:// doi.org/10.3233/CH-189306

10. Kuo CC, Chang CM, Liu KT, Lin WK, Chiang HY, Chung CW, Ho MR, Sun PR, Yang RL, Chen KT: Automatizacija predviđanja i klasifikacije funkcije bubrega putem ultrazvučnog snimanja bubrega pomoću dubokog učenja. Digit Med 2: 1–9, 2019