SažetakPozadina Cilj umjetne inteligencije uBubrežni ožiljci(AIRS) studija je razviti alate za strojno učenje za neinvazivnu kvantifikacijufibroza bubregaod skeniranja slika. Metode Proveli smo retrospektivnu analizu pacijenata koji su imali jednu ili više kompjutorizirane tomografije abdomena (CT) unutar 6 mjeseci odbiopsija bubrega. Konačna kohorta obuhvaćala je 152 CT skeniranja od 92 pacijenta, što je uključivalo slike 300 nativnih bubrega i 76presaditi bubrege. Dvije različite konvolucijeneuronske mreže(klasifikatori na razini odsječka i na razini voksela) testirani su kako bi se razlikovalo teško u odnosu na blago/umjerenofibroza bubrega(50% u odnosu na 50%).Intersticijska fibrozaa tubularna atrofija bodova odbiopsija bubregaizvješća su korištena kao temeljna istina. Rezultati Dva modela strojnog učenja pokazala su sličnu pozitivnu prediktivnu vrijednost ({{0}}.886 u odnosu na 0.935) i točnost (0.831 u odnosu na 0,879). Zaključci Ukratko, algoritmi strojnog učenja su obećavajući neinvazivni dijagnostički alat zakvantificirati fibrozu bubregaiz CT snimaka. Klinička korisnost ovih alata za predviđanje, u smislu izbjegavanja bubrežne biopsije i povezanih rizika od krvarenja u bolesnika s teškom fibrozom, tek treba biti potvrđena u prospektivnim kliničkim ispitivanjima.
KOLIKO JE TREBALO DA CISTANCHE DJELUJE KOD BUBREŽNIH BOLESNIKA?
Uvod
Ultrazvučno vođena perkutana biopsija bubrega ostaje standard skrbi kada je potrebna histološka dijagnoza za usmjeravanje liječenja proteinurije, mikroskopske hematurije, odbacivanja transplantata ili neobjašnjive disfunkcije bubrega (1,2). Stupanj bubrežne fibroze ili težina CKD često su nepoznati u vrijeme biopsije bubrega (3). Biopsija bubrega koja otkriva ozbiljnu (0,50%) fibrozu može razjasniti dijagnozu bolesti, ali je malo vjerojatno da će promijeniti kliničko liječenje i dovodi pacijente u opasnost od krvarenja povezanog s postupkom (4). Komplikacije nakon biopsije kreću se od prolazne hematurije do po život opasnog krvarenja i koreliraju s čimbenicima rizika koji uključuju povišen krvni tlak, stariju dob, anemiju, nizak broj trombocita, smanjenu funkciju bubrega i abnormalnosti hemostaze (5). Nedavna meta-analiza 118064 biopsije bubrega vođene ultrazvukom izvijestila je o stopama incidenata za transfuzije krvi, angiografske intervencije i smrt od 2%, 0,3%, odnosno 0,06% (6).
Procjena ozbiljnosti CKD je kritična kada se razmatraju rizici i dobrobiti biopsije bubrega, ali neinvazivni alati za procjenu stupnja fibroze nedovoljno su razvijeni (7). Studije koje su istraživale ultrazvučne tehnike (uključujući prikaz brzine smicanja vala, prolaznu elastografiju, elastografiju u stvarnom vremenu, Doppler sonografiju i ultrazvučno kortikomedularno naprezanje) primijetile su nedosljednu korelaciju sa stupnjem fibroze na histologiju bubrega (3,8,9). Nadalje, ove metode snažno ovise o vanjskim čimbenicima, kao što su krvni tlak, težina bubrega, tjelesna težina i primijenjena sila sonde, da ne spominjemo visoku varijabilnost unutar promatrača i među promatračima (3). Nedavno izvješće pokazalo je blisku korelaciju izmeđuultrazvučno određena veličina bubrega s procijenjenom funkcijom bubrega (eGFR), ali nije procijenjenabubregfibroza(10). Kirpalani i sur. izvijestio je da elastografija magnetskom rezonancijom obećava u smislu korelacije rezultata krutosti s fibrozom bubrega (11), ali nije istražio alate za strojno učenje kao sredstvo za optimiziranje točnosti predviđanja.
Kompjuterizirana tomografija (CT) omogućuje snimanje bubrežnog tkiva visoke rezolucije uz minimalno izlaganje bolesnika zračenju (7). Tehnologija strojnog učenja u kombinacijiCT snimanje je put koji obećava za neinvazivna procjena bubregaFibrosis, umjesto strujehistološki standard liječenja. Konvolucijsko duboko učenjeneuronske mreže (CNN) novi su oblik strojnog učenjaing, koji može izolirati relevantne obrasce iz njegovogtologiju, slike ili druge kliničke podatke korisne za bolest
karakterizacija (12,13). CNN-ova 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 Artificial Intelligence in Renal Scarring (AIRS) je razviti CNN alate za kvantificiranje fibroze bubrega kao računalno potpomognutu dijagnostičku alternativu bubrežnoj biopsiji. Dva CNN algoritma (klasifikatori na razini odsječka i na razini voksela) uvježbani su za analizu CT snimanja nativnih i presađenih bubrega kako bi se klasificirao stupanj fibroze, na temelju temeljnih rezultata fibroze iz biopsije bubrega kod istih pacijenata. U ovoj pilot analizi usredotočili smo se na razgraničenje blage/umjerene u odnosu na tešku (50% u odnosu na 50%) fibroze kao klinički relevantnu dihotomiju koja može biti korisna za nefrologa koji razmatra biopsiju bubrega za svog pacijenta. Pokazujemo da algoritmi CNN-a mogu razlikovati tešku od blage/umjerene fibroze bubrega s visokim stupnjem točnosti
Materijali i metode
Baza podataka o pacijentima Ovo je bila retrospektivna analiza biopsija bubrega provedenih u Medicinskom centru Irvine Sveučilišta u Kaliforniji između 2014. i 2019. Identificirali smo pacijente s CT snimkama abdomena u vrijednosti od 1 USD u roku od 6 mjeseci od biopsije bubrega. Nakon početnog pregleda sustava medicinske dokumentacije, 42 pacijenta koji su bili podvrgnuti snimanju isključeni su iz sljedećih razloga: CT skeniranje provedeno izvan razdoblja uključivanja (0,6 mjeseci od datuma biopsije, n53); abdominalna magnetska rezonancija, ali u sustavu nije pronađen CT (n56); pacijenti nenamjerno preskočeni u procesu označavanja (n52); nativni bubrezi nisu segmentirani u bolesnika koji je bio podvrgnut transplantaciji (n51); skeniranje niske kvalitete s hardverskim artefaktom (n51); i vanjske slikovne studije koje nisu pohranjene u dugotrajnim slikovnim arhivama (n529). Preostala 152 CT skeniranja od 92 pacijenta su preuzeta i aksijalno rekonstruirani volumen mekog tkiva izdvojen je za daljnju analizu. Većina CT pretraga (79%) provedena je bez intravenskog kontrasta; Napravljeno je 129 pretraga na skeneru Philips, 22 na skeneru Siemens i jedno na skeneru GE Medical Systems.
Patolog (JEZ) pregledao je slučajni odabir pacijenata kako bi potvrdio da je stupanj fibroze točno dokumentiran u izvješćima o biopsiji bubrega. Kod neskladnih pacijenata, drugi je patolog pregledao slajdove kako bi utvrdio osnovnu istinitost (vidi Zahvale). Temeljni stupanj fibroze bubrega iz izvješća o biopsiji tretiran je kao binarni ishod: blagi/umjereni u odnosu na teški (intersticijska fibroza i tubularna atrofija, 50% u odnosu na 50%). Nativni bubrezi u CT snimkama pacijenata koji su bili presađeni automatski su ocijenjeni kao teška fibroza. Demografski podaci i komorbidna stanja prikupljeni su u bazi podataka REDCap, a pristupilo se CT slikama kako je opisano u nastavku. Sve istraživačke postupke odobrio je Institucionalni revizijski odbor Sveučilišta Kalifornija Irvine.
Anotacija
CT snimke prebačene su iz našeg bolničkog sustava za arhiviranje slika i komunikaciju u sigurnu internu bazu podataka. Prilagođeni vlasnički web-bazirani alat za označavanje upotrijebljen je za stvaranje stvarnih trodimenzionalnih binarnih maski koje odgovaraju nativnom desnom i lijevom bubregu i svim bubrežnim transplantatima, ako postoje. Alat za označavanje implementiran je kao jednostavan uslužni program za kist bez ikakvih pragova ili napredne funkcije oblikovanja. Dva studenta istraživača (HRT, KAPR) služila su kao glavni anotatori, a viši radiolog (PDC) naknadno je pregledao svakog pacijenta i po potrebi pročistio bilješke o području interesa.
Predobrada slike
Korištenjem označenih maski volumena bubrega kao predloška, svaki je bubreg izrezan i ponovno uzorkovan na izotropni 96 3 96396 volumen voksela. Ova opera za ponovno uzorkovanjebilo je potrebno kako bi se osiguralo da su svi ulazi modela iste veličine matrice i kako bi se prilagodila ograničenjima memorije grafičke procesorske jedinice. S obzirom na količine bile suprvo izrezani na desni i lijevi bubreg, te da bubrezi čine samo mali dio originalnog CT volumena, konačne ponovno uzorkovane veličine voksela bile su slične u rezolucijirješenje izvornih podataka. Svaki obrezani volumen zatim je normaliziran odsijecanjem svih vokselskih vrijednosti na raspon od 2150 do 250 Hounsfieldovih jedinica i skaliran faktorom 1:50. Bilo kojejedan pregled 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 dijeteZa obuku je korišteno ukupno 96 dvodimenzionalnih (2D) slika (veličine 96396).
Pristup CNN-a
Dvije različite prilagođene 2D CNN mreže testirane su i uspoređene kako bi se razlikovala teška od blage/umjerene fibroze bubrega. Prvi algoritam je standardni globalniodsječak po odsjek CNN klasifikator, dizajniran za predviđanje jedne od tri međusobno isključive kategorije za svaku 2D sliku: bez bubrega, blaga/umjerena fibroza i teška fibroza. Thedrugi algoritam je CNN klasifikator na razini piksela implementiran kroz potpuno konvolutivnu U-Net arhitekturu za izvođenje simultane segmentacije i klasifikacije. U
oba modela, konačna klasifikacija zanemaruje rezove ili voksele bez bubrega, a pravilo većine agregirano je na preostalim predviđanjima. Oba algoritma su implementiranakoristeći najsuvremeniju mrežnu arhitekturu stiskanja i pobude, najbolji model ImageNet Large Scale Visual Recognition Challenge u 2017. (18).Mrežni pristup stiskanja i pobude omogućuje mrežama adaptivno ponovno kalibriranje odgovora značajki po kanalu na temelju različitih ulaza modela učenjem
ing međuovisnosti između kanala (Slika 1).
Slika 1.|Toplinske karte predviđanja generirane algoritmom dubokog učenja koji identificiraju područja za koje se sumnja da imaju "tešku" fibrozu unutar bubrega. Slijeva nadesno prikazani su bubrezi u rasponu od normalne do teške fibroze s 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; 0.2–0.4;{{0}}.4–{0.6; 0.6–0.8; i 0.8–1.0.
Globalni klasifikator odsječak po odsjek
Globalni CNN klasifikator prilagođena je arhitektura izvedena iz VGG-a implementirana s 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 konvolucijska bloka, gdje je svaki blok definiran kao 333konvolucija, normalizacija serije i ReLU ponovljen ukupno tri puta. Poduzorkovanje se izvodi na kraju svakog bloka kroz konvoluciju s korakom od dva. Nakon
četiri konvolucijska bloka (12 slojeva), konačna karta značajki je spljoštena i korištena kao ulaz u jedan potpuno povezani sloj.
Klasifikator razine voksela
CNN klasifikator na razini voksela prilagođena je arhitektura izvedena iz U-Net-a implementirana s modulima pobude stiskanja na svakom sloju (19). Ulaz modela je jedan 2D (96396) isječak, a izlaz modela je jedna 2D (96396) segmentacijska maska s predviđanjem od tri klase na svakoj lokaciji voksela. CNN se sastoji od četiri kontrahirajuća konvolucijska bloka, gdje je svaki blok definiran kao 333 konvolucija, skupna normalizacija i Leaky ReLU koji se ponavlja ukupno tri puta. Poduzorkovanje se izvodi na kraju svakog bloka kroz konvoluciju s korakom od dva. Nakon četiri zavojna bloka (12 slojeva), operacije su obrnute kroz identičnu mrežnu arhitekturu, uz zamjenu oštrih zavoja (pod-sampling) s konvolucijskim transponiranjima (upsampling).
Implementacija neuronske mreže
Za optimizaciju obaju modela koristi se softmax funkcija gubitka krosentropije. Optimizacija je provedena pomoću Adamove tehnike (20) s eksponencijalnim stopama opadanja, b1 i b2, postavljenimna {{0}}.9 odnosno 0,999. Stopa učenja postavljena je na 131023. Veličina serije je postavljena na osam, s ukupno 25000 ponavljanja obuke. Za inicijalizaciju se koristi Xavier normalizacijautege prije treninga (21). Kôd algoritma napisan je u biblioteci Python 3.6, TensorFlow 2.1.0 i biblioteci Keras 1.0.8. Mreža je obučena na našem internom klasteru grafičkih procesorskih jedinica, koji sadrži 48 Nvidia GeForce RTX 2080 Ti i 12 GeForce RTX Titana. U prosjeku, globalni klasifikator trenirao je 30 minuta po eksperimentu, dok je klasifikator temeljen na vokselima trenirao 2-4 sata po eksperimentu.
Evaluacija
Za evaluaciju procesa obuke korištena je strategija peterostruke unakrsne provjere. Iako su do tri različita bubrega od svakog pacijenta liječena pojedinačno tijekomu procesu obuke, svi volumeni jednog pacijenta stratificirani su u istu skupinu za unakrsnu provjeru valjanosti kako bi se spriječilo curenje podataka. Skup podataka podijeljen je u omjeru 80:20 i zatim treniran na80%, dok je ostalih 20% iskorišteno za validaciju. Obuka je ponovljena ukupno pet puta s različitim podjelama 80:20 dok cijeli skup podataka nije u potpunosti potvrđen
Uz eksperimente na cijeloj kohorti podataka, provedene su dodatne analize podkohorte kako bi se procijenile potencijalne zbunjujuće varijable. Primijenjena je stratifikacijana temelju statusa intravenskog kontrasta i isključenja atrofičnih nativnih bubrega u bolesnika koji su primili transplantaciju. Nadalje, za procjenu generalizabilnosti modela, models obučeni isključivo od Philips i GE skenera potvrđeni su isključivo s podacima sa Siemens skenera.
Statistika
Cilj našeg istraživanja bio je razlikovati blagu/umjerenu fibrozu od teške fibroze na CT-u bubrega. Pravilo većine korišteno je u oba pristupa (globalni odsječak po odsjeki voxel-based) za određivanje ozbiljnostifibroza.Da biste ocijenili izvedbu između dva pristupa,točnost, osjetljivost, specFigrad, pozitivna prediktivna vrijednost(PPV) i negativna prediktivna vrijednost (NPV) izračunate sulated i uspoređivan. Područje ispod prijemnika radikrivulja (AUC) je također izračunata variranjem softmaxbodovni prag zaFibrozis classiFikacija i rezultatnacrtana krivulja za oba pristupa radi usporedbe. Opišitetivna statistika se navodi kao srednja vrijednost6SD.
