Procjena bubrežnih ožiljaka pomoću umjetne inteligencije (AIRS studija) Ⅱ

Rezultati

Oba su modela uvježbana i potvrđena na ukupno 152 CT skeniranja od 92 pacijenta, koji su sadržavali 148 lijevih bubrega, 152 desna bubrega i 73presaditi bubrege. Karakteristike bolesnika sažete su u tablici 1; 55 bolesnika imalo je minimalnu ili blagu (-25%) fibrozu, 14 pacijenata je klasificirano kao umjerena (25%-50%) fibroza, a 23 bolesnika imalo je tešku (0,50%) fibrozu. Prosječna eGFR bila je 37626 nasuprot 25618 nasuprot 16613 ml/min po 1,73 m2, redom, u skupinama s blagom nasuprot umjerenoj nasuprot teškoj fibrozi. Bolesnici s blagom/umjerenom fibrozom grupirani su za analizu u odnosu na bolesnike s teškom fibrozom na CT-u bubrega;prosječni volumen bubregabio je 217 cm3 (raspon 48–668) naspram 76 cm3 (raspon 3–347) u grupama s blagom/umjerenom naspram teške (≤50% naspram 50%) fibroze. Bila je jedna biopsija pacijenta koja je dala neskladne rezultate fibroze (usporedba izvješća o medicinskoj karti s trenutnim pregledom patologa), a temeljna istina utvrđena je slijepim pregledom drugog patologa (vidi zahvale)

cistanche treat kidney disease

KOLIKO JE TREBALO DA CISTANCHE DJELUJE KOD BUBREŽNIH BOLESNIKA?

Prilikom validacije unakrsnog presavijanja, model kriška po rez dao je ukupni AUC od 0.917, dok je pristup temeljen na vokselu dao ukupni AUC od 0.922 (Slika 2). Točnost modela, osjetljivost, specifičnost, PPV i NPV na različitim pragovima procijenjenim u oba algoritma CNN-a sažeti su u tablici 2. Na pragu predviđanja od {{10}}.5, presjek -slice pristup dao nam je točnost od 0.831, osjetljivost od 0.817, specifičnost od {{20}}.852, PPV od 0.886 i NPV od 0.767. Na istom pragu predviđanja od 0.5, pristup temeljen na vokselu dao je slične rezultate s točnošću od 0.879, osjetljivošću od 0.853, specifičnošću od {{35} }.916, PPV od 0,935 i NPV od 0,816. Pristup temeljen na vokselu u usporedbi s patološkim izvješćima o temeljnoj istini daje 13 lažno pozitivnih rezultata (blaga/umjerena fibroza klasificirana kao ozbiljna), 32 lažno negativna (teška fibroza nije otkrivena; 15% postotak promašaja), 187 istinskih pozitivnih i 141 istinski negativnih rezultata .

Rezultati stratificiranih podkohortnih analiza prikazani su u tablici 3. Ukupna izvedba u oba modela bila je slična nakon isključivanja postkontrastnih pregleda i/iliisključenje atrofičnih nativnih bubregakod pacijenata koji su bili podvrgnuti transplantaciji. Manje smanjenje izvedbe ({{0}}.86 točnost) primijećeno je posebno za strategiju CNN-a temeljenu na vokselu nakon uklanjanja postkontrastnih pregleda; sve ostale permutacije pokazale su točnost od 0,90 USD. Dodatno, ukupna mogućnost generalizacije modela sačuvana je nakon stratifikacije skupa za obuku (Philips, GE) i skupa za validaciju (Siemens) isključivo od strane proizvođača. Usporedba naših alata za predviđanje i drugih studija CNN-a kojeprocijenjena bolest bubregaparametar je zbrojprikazano u tablici 4.

Echinacoside of cistanche can improve kidney function

Rasprava

Pokrenuli smo studiju AIRS za razvoj alata za strojno učenjekvantificirati fibrozu bubregakao neinvazivna dijagnostička alternativa biopsiji bubrega. U kohorti od 92 pacijenta, analizirali smo 300slike nativnih bubregai 73 presađena bubrega iz 152 CT-a abdomena. Otkrili smo da su globalni CNN-ovi modeli odsječak po odsjek i modeli temeljeni na vokselu slični u razlikovanju teških od blagih/umjerena fibroza bubrega, s AUC {{0}}.917 naspram 0.922, i PPV 0.886 naspram 0,935, u usporedbi s osnovnom istinom izizvješća o biopsiji bubrega. Oba modela CNN-a pokazala su se dosljedno kada su testirana s 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 točnost predviđanja kada su testirani samo CT snimci bez kontrasta.

Dijagnostička biopsija bubrega ostaje standard skrbi kada je potrebna histološka dijagnoza za usmjeravanje liječenja proteinurije, odbacivanja transplantata ili neobjašnjivog bubregadisfunkcija (1,2). Međutim, odluka o provođenju nativne biopsije bubrega može biti složena, osobito ako je pacijent na antikoagulantnoj terapiji ili ima anemiju ili trombocitopeniju, što može povećati rizik od većih komplikacija,uključujući transfuzije krvi, angiografske intervencije,i smrt (ukupna stopa incidenata 2%, 0.3%, i 0.06%,odnosno) (6). Neinvazivni alati za procjenu stupnjabubregaFibrosis nedostaju (7), a do danas nisu utilizirani alati za strojno učenje kako bi se smanjila subjektivnost ipristranost. Ovi se alati mogu pokazati korisnima kada se procijene ukontekstu drugih markera kroničnog oštećenja bubrega(e.g., povišen paratiroidni hormon i fosfat). U parposebno, predviđanje teških (.50%) Fibroza može opravdatiizbjegavanje biopsije bubrega jer pacijent ne bibiti kandidat za imunomodulirajuću terapiju (i.e.,biopsija ne bi promijenila kliničko liječenje). Ova informacijamacija je vrijedna, na primjer, kada su pacijenti prisutnis uznapredovalim zatajenjem bubrega i nepoznatim medicinskim stanjemtorijevac. Dodatni prolazi s iglom za biopsiju za optimizaciju

uzimanje uzoraka glomerula za histologiju iz afibrozni bubregmože dovesti do povećanog rizika od krvarenja (22). Ako se na CNN-ovoj analizi CT-a predviđa ozbiljan stupanj fibroze, medicinski tim može odlučiti ograničiti uzimanje uzoraka biopsije ili u potpunosti izbjeći biopsiju bubrega, nakon zajedničkog donošenja odluke s pacijentom. Važno je napomenuti da dijagnostička nativna biopsija bubrega još uvijek može biti indicirana u naizgled završnom stadiju bubrega prema nahođenju nefrologa radi usmjeravanja procjene kandidature za transplantaciju ili utvrđivanja etiologije sistemske bolesti.

Primijetili smo da je prag predviđanja od 0.5 pokazao najbolje što se tiče buduće primjenjivosti u donošenju kliničkih odluka, pri čemu je cilj identificirati pacijente suznapredovali bubregFibroze i time izbjeći invazivnu biopsijui njegove potencijalne komplikacije krvarenja o kojima smo govorili gore.S modelom CNN-a koji se temelji na vokselu, prag od 0.5 bi

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

effect of cistanche improve kidney function (2)

Trenutačno je primarno ograničenje predloženog algoritma zahtjev da se ručno definira interesno područje za svaki bubreg 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 obuke) zahtijeva samo grubu graničnu kocku oko bubrega (bubrega) koju treba definirati . Razvijaju se algoritmi za segmentaciju cijelog bubrega temeljenu na dubokom učenju, što bi olakšalo potpuno automatiziran proces od kraja do kraja (23,24). Drugo ograničenje je da heterogenost u stupnju fibroze u jednom bubregu može biti izvor pogreške u istinitosti i potvrdi algoritma. U ovoj smo studiji odlučili dati prednost kompromisu uključivanja više potencijalno šumnih podataka (cijeli su bubrezi segmentirani) umjesto korištenja male količine čistih podataka; empirijski, ova je strategija uobičajena u zadacima dubinskog učenja velikih podataka, a naše promatranje AUC predviđanja algoritma od 0.911 sugerira da je stupanj šuma koji uvodi ova strategija skroman. Buduće usavršavanje ovih CNN algoritama predviđanja istražit će se uključivanjem kliničkih laboratorijskih vrijednosti relevantnih za CKD, kao što su kreatinin, paratiroidni hormon i hemoglobin. U očekivanju većih skupova podataka, izlaz algoritma može se dodatno optimizirati kako bi uključio ekspanzivnije kvantitativno grupiranje(stupanj odfibroza,25%, 25%–50%, 50%–75%, i.75%). Konačno, s obzirom na trenutni algoritam je obučen i valjandatiran na temelju podataka iz jedne institucije, daljnji rad jepotrebno za procjenu generalizabilnosti izvan proučavanogkohorta pacijenata.

Prema našim saznanjima, studija AIRS je prva koja koristi modele CNN-a za predviđanje stupnja fibroze bubrega na temelju skeniranja slika. Rezultati su obećavajući i pružaju aosnova za testiranje ovih alata CNN-a u prospektivnim ispitivanjimapotvrditi njihovu korisnost u donošenju kliničkih odluka kada jestnejasno je li pacijent's bolest bubrega je akutna u odnosu na

kronični.

kidney function

Razotkrivanja

J. Zuckerman izvještava da ima ugovore o savjetovanju s Leica Biosystems; izvješća o primanju honorara od ApotheComa; i javlja kao znanstveni savjetnik ili član Pathology outlinescom. P. Chang izvještava da ima ugovore o konzultantskim uslugama s iprimanje sredstava za istraživanje od Canon Medical; i izvješća having vlasnički udio u Avicenna.ai. WL Lau izvještava da imaugovori o savjetovanju s Ardelyxom i Freseniusom; izvještajidobivanje sredstava za istraživanje od Američkog udruženja za srce,Hub Therapeutics i Nacionalni instituti za zdravlje; i

izvještava o primanju honorara od Roche Australian Nephrology Receptorship. Svi preostali autori nemaju što otkriti.

Financiranje

Ovaj je projekt financirala nagrada za istraživanje Katedre za medicinu Sveučilišta u Kaliforniji, Irvine 2019.–2021.

Zahvale Autori zahvaljuju dr. Anthonyju Sisku (Odjel za patologiju i laboratorijsku medicinu, Medicinski fakultet David Geffen na Kalifornijskom sveučilištu u Los Angelesu) na slijepoj recenzijipacijenti s neskladnom biopsijom kako bi se utvrdila temeljna istina.

Autorski doprinosi

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

Reference

1. Luciano RL, Moeckel GW: Ažuriranje nativne biopsije bubrega: Temeljni kurikulum 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, 2016.https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Dijagnoza i procjena fibroze bubrega: 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; Radna skupina za imunonefrologiju ERA-EDTA: Biopsija bubrega 2015.: Od epidemiologije do indikacija utemeljenih na dokazima. Am J Nephrol 43: 1–19, 2016. https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Praksa renalne biopsije: Što 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; Projekt precizne medicine bubrega: sustavni pregled i meta-analiza komplikacija prirodne 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 CNN-ov CAD sustav za ranu procjenu disfunkcija presađenog 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 kod transplantacije 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 renalnog alografta: Korelacija između doppler sonografskog indeksa otpora (RI) i histopatologiju. 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 bubrežne funkcije putem ultrazvučnog oslikavanja bubrega uz korištenje dubokog učenja. Digit Med 2: 1–9, 2019