AbstrakLatar Belakang Matlamat Kepintaran Buatan dalamParut Buah PinggangKajian (AIRS) adalah untuk membangunkan alat pembelajaran mesin untuk kuantifikasi bukan invasiffibrosis buah pinggangdaripada imbasan pengimejan. Kaedah Kami menjalankan analisis retrospektif pesakit yang mempunyai satu atau lebih imbasan tomografi (CT) perut dalam tempoh 6 bulanbiopsi buah pinggang. Kohort terakhir merangkumi 152 imbasan CT daripada 92 pesakit, yang termasuk imej 300 buah pinggang asli dan 76pemindahan buah pinggang. Dua konvolusi yang berbezarangkaian saraf(pengelas peringkat kepingan dan tahap voxel) telah diuji untuk membezakan teruk berbanding ringan/sederhanafibrosis buah pinggang($50% berbanding,50%).Fibrosis interstisialdan skor atrofi tiub daribiopsi buah pingganglaporan digunakan sebagai kebenaran asas. Keputusan Kedua-dua model pembelajaran mesin menunjukkan nilai ramalan positif yang serupa ({{0}}.886 berbanding 0.935) dan ketepatan (0.831 berbanding 0.879). Kesimpulan Secara ringkasnya, algoritma pembelajaran mesin ialah alat diagnostik bukan invasif yang menjanjikan untukmengukur fibrosis buah pinggangdaripada imbasan CT. Utiliti klinikal alat ramalan ini, dari segi mengelakkan biopsi buah pinggang dan risiko pendarahan yang berkaitan pada pesakit dengan fibrosis yang teruk, masih perlu disahkan dalam ujian klinikal yang akan datang.
BERAPA LAMA UNTUK CISTANCHE BERFUNGSI UNTUK PESAKIT BUAH PINGGANG?
pengenalan
Biopsi buah pinggang perkutaneus dipandu ultrabunyi kekal sebagai standard penjagaan apabila diagnosis histologi diperlukan untuk membimbing pengurusan proteinuria, hematuria mikroskopik, penolakan pemindahan, atau disfungsi buah pinggang yang tidak dapat dijelaskan (1,2). Tahap fibrosis buah pinggang atau keterukan CKD selalunya tidak diketahui pada masa biopsi buah pinggang (3). Biopsi buah pinggang yang mendedahkan fibrosis teruk (.5{15}}%) boleh menjelaskan diagnosis penyakit tetapi tidak mungkin mengubah pengurusan klinikal dan meletakkan pesakit berisiko mengalami pendarahan berkaitan prosedur (4). Komplikasi selepas biopsi terdiri daripada hematuria sementara kepada pendarahan yang mengancam nyawa dan berkait dengan faktor risiko yang termasuk tekanan darah tinggi, usia lanjut, anemia, kiraan platelet rendah, fungsi buah pinggang berkurangan dan keabnormalan hemostasis (5). Meta-analisis baru-baru ini sebanyak 118,064 biopsi buah pinggang berpandukan ultrasound melaporkan kadar insiden untuk pemindahan darah, campur tangan angiografi dan kematian masing-masing pada 2%, 0.3% dan 0.06% (6).
Menilai keterukan CKD adalah penting apabila mempertimbangkan risiko dan faedah biopsi buah pinggang, tetapi alat bukan invasif untuk menilai tahap fibrosis adalah kurang berkembang (7). Kajian yang meneroka teknik ultrasound (termasuk pengimejan halaju gelombang ricih, elastografi sementara, elastografi masa nyata, sonografi Doppler, dan ketegangan korticomedular ultrasound) telah mencatatkan korelasi yang tidak konsisten dengan tahap fibrosis pada histologi buah pinggang (3,8,9). Tambahan pula, kaedah ini sangat bergantung kepada faktor luaran, seperti tekanan darah, berat buah pinggang, berat badan, dan daya transduser yang digunakan, apatah lagi kebolehubahan intra dan antara pemerhati yang tinggi (3). Laporan baru-baru ini mendapati korelasi rapat antarasaiz buah pinggang yang ditentukan oleh ultrasound dengan anggaran fungsi buah pinggang (eGFR) tetapi tidak menilaibuah pinggangFibrosis(10). Kirpalani et al. melaporkan bahawa elastografi pengimejan resonans magnetik menjanjikan dari segi mengaitkan skor kekakuan dengan fibrosis buah pinggang (11), tetapi tidak meneroka alat pembelajaran mesin sebagai cara untuk mengoptimumkan ketepatan ramalan.
Computed tomography (CT) membenarkan pengimejan resolusi tinggi tisu buah pinggang dengan pendedahan sinaran minimum kepada pesakit (7). Teknologi pembelajaran mesin dalam combination dengan pengimejan CT adalah jalan yang menjanjikan untuk bukanpenilaian invasif buah pinggangFibrosis, bukannya arusstandard penjagaan histologi. Pembelajaran mendalam konvolusionalrangkaian saraf (CNN) adalah bentuk pembelajaran mesin yang baruing, yang boleh mengasingkan corak yang relevan daripada beliautologi, pengimejan atau data klinikal lain yang berguna untuk penyakit
pencirian (12,13). Teknologi CNN untuk diagnostik telah diterokai dalam pelbagai tetapan, daripada pendarahan intrakranial dan kanser kepada radang paru-paru danapendisitis (14–17).
Matlamat kajian Kecerdasan Buatan dalam Parut Renal (AIRS) adalah untuk membangunkan alat CNN untuk mengukur fibrosis buah pinggang sebagai alternatif diagnostik bantuan komputer untuk biopsi buah pinggang. Dua algoritma CNN (pengelas peringkat kepingan dan tahap voxel) telah dilatih untuk menganalisis pengimejan CT bagi buah pinggang asli dan pemindahan untuk mengklasifikasikan tahap fibrosis, berdasarkan skor fibrosis kebenaran tanah daripada biopsi buah pinggang pada pesakit yang sama. Dalam analisis perintis ini, kami menumpukan pada menggambarkan fibrosis ringan/sederhana berbanding teruk (,50% berbanding $50%) sebagai dikotomi yang berkaitan secara klinikal yang mungkin berguna untuk pakar nefrologi yang mempertimbangkan biopsi buah pinggang untuk pesakit mereka. Kami menunjukkan bahawa algoritma CNN boleh membezakan fibrosis buah pinggang yang teruk daripada ringan/sederhana dengan tahap ketepatan yang tinggi
Bahan dan Kaedah
Pangkalan Data Pesakit Ini adalah analisis retrospektif biopsi buah pinggang yang dijalankan di Pusat Perubatan Universiti California Irvine antara 2014 dan 2019. Kami mengenal pasti pesakit dengan imbasan CT perut $1 yang disiapkan dalam tempoh 6 bulan selepas biopsi buah pinggang. Selepas pemeriksaan awal sistem rekod perubatan, 42 pesakit yang menjalani pengimejan dikecualikan atas sebab-sebab berikut: Imbasan CT dijalankan di luar tempoh kemasukan (.6 bulan dari tarikh biopsi, n53); pengimejan resonans magnetik perut tetapi tiada CT ditemui dalam sistem (n56); pesakit secara tidak sengaja melangkau dalam proses anotasi (n52); buah pinggang asli tidak dibahagikan dalam pesakit yang telah menjalani pemindahan (n51); imbasan berkualiti rendah dengan artifak perkakasan (n51); dan kajian pengimejan luar yang tidak disimpan dalam arkib pengimejan jangka panjang (n529). Baki 152 imbasan CT daripada 92 pesakit telah dimuat turun dan jumlah binaan semula tisu lembut paksi telah diekstrak untuk analisis lanjut. Majoriti imbasan CT (79%) dijalankan tanpa kontras intravena; 129 imbasan telah dijalankan pada pengimbas Philips, 22 pada pengimbas Siemens dan satu pada pengimbas Sistem Perubatan GE.
Ahli patologi (JEZ) menyemak pemilihan pesakit secara rawak untuk mengesahkan tahap fibrosis didokumenkan dengan tepat dalam laporan biopsi buah pinggang. Dalam pesakit yang sumbang, ahli patologi kedua menyemak slaid untuk menentukan kebenaran asas (lihat Penghargaan). Tahap kebenaran asas fibrosis buah pinggang daripada laporan biopsi telah dianggap sebagai hasil binari: ringan/sederhana berbanding teruk (fibrosis interstisial dan atrofi tiub, 50% berbanding $50%). Buah pinggang asli dalam imbasan CT daripada pesakit yang dipindahkan secara automatik dijaringkan sebagai fibrosis teruk. Keadaan demografi dan komorbid telah disusun dalam pangkalan data REDCap, dan imej CT telah diakses seperti yang diterangkan di bawah. Semua prosedur penyelidikan telah diluluskan oleh Lembaga Kajian Institusi Universiti California Irvine.
Anotasi
Imbasan CT telah dipindahkan daripada Sistem Arkib Gambar dan Komunikasi hospital kami ke pangkalan data dalaman yang selamat. Alat anotasi berasaskan web proprietari tersuai telah digunakan untuk mencipta topeng binari tiga dimensi kebenaran tanah yang sepadan dengan buah pinggang kanan dan kiri asli, dan sebarang pemindahan buah pinggang, jika ada. Alat anotasi telah dilaksanakan sebagai utiliti berus ringkas tanpa sebarang ambang atau fungsi kontur lanjutan. Dua penyelidik pelajar (HRT, KAPR) berkhidmat sebagai anotor utama, dan pakar radiologi kanan (PDC) kemudiannya menyemak setiap pesakit dan menapis anotasi minat kawasan di mana perlu.
Prapemprosesan Imej
Menggunakan topeng isipadu buah pinggang beranotasi sebagai templat, setiap buah pinggang telah dipotong dan disampel semula kepada voxel 96 3 96396 isotropik. Opera pensampelan semula inition diperlukan untuk memastikan semua input model mempunyai saiz matriks yang sama dan untuk menampung had memori unit pemprosesan grafik. Memandangkan jilid adalahmula-mula dipotong ke buah pinggang kanan dan kiri, dan bahawa buah pinggang hanya membentuk sebahagian kecil daripada isipadu CT asal, saiz voxel sampel semula terakhir adalah serupa dalam respenyelesaian kepada data asal. Setiap volum yang dipangkas kemudiannya dinormalkan dengan memotong semua nilai voxel kepada julat 2150 hingga 250 Unit Hounsfield dan diskalakan dengan faktor 1:50. mana-manapeperiksaan tunggal dalam set data ini mungkin mengandungi sehingga tiga buah pinggang yang dipotong individu yang digunakan untuk latihan algoritma: (asli) kiri, (asli) kanan dan pemindahan. Untuk mana-mana kanak-kanak individuBagaimanapun, sejumlah 96 imej dua dimensi (2D) (bersaiz 96396) digunakan untuk latihan.
Pendekatan CNN
Dua rangkaian CNN 2D tersuai yang berbeza telah diuji dan dibandingkan, untuk membezakan fibrosis buah pinggang yang teruk daripada ringan/sederhana. Algoritma pertama ialah standard globalpengelas CNN slice-by-slice, direka untuk meramalkan satu daripada tiga kategori yang saling eksklusif untuk setiap imej 2D: tiada buah pinggang, fibrosis ringan/sederhana dan fibrosis teruk. Thealgoritma kedua ialah pengelas CNN peringkat piksel yang dilaksanakan melalui seni bina U-Net konvolusi sepenuhnya untuk melaksanakan pembahagian dan pengelasan serentak. Dalam
kedua-dua model, klasifikasi akhir mengabaikan kepingan atau voxel tanpa buah pinggang, dan peraturan majoriti diagregatkan pada ramalan yang tinggal. Kedua-dua algoritma dilaksanakanmenggunakan seni bina rangkaian squeeze-and-excitation yang canggih, model berprestasi tinggi Cabaran Pengecaman Visual Skala Besar ImageNet pada 2017 (18).Pendekatan rangkaian squeeze-and-excitation membolehkan rangkaian menyesuaikan semula respons ciri-bijak saluran berdasarkan input model yang berbeza dengan mempelajari
saling bergantung antara saluran (Rajah 1).
Rajah 1.|Peta haba ramalan yang dijana oleh algoritma pembelajaran mendalam yang mengenal pasti kawasan yang disyaki fibrosis "teruk" dalam buah pinggang. Dari kiri ke kanan, buah pinggang yang terdiri daripada fibrosis biasa hingga teruk ditunjukkan dengan tahap progresif anggaran parenkim fibrotik. Purata ramalan ternormal softmax akhir untuk keseluruhan buah pinggang ditunjukkan di baris bawah, antara 0.0 hingga 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; dan 0.8–1.0.
Pengelas Global Slice-by-Slice
Pengelas CNN global ialah seni bina terbitan VGG tersuai yang dilaksanakan dengan modul pengujaan picit pada setiap lapisan. Input model ialah kepingan 2D (96396) tunggaldan output model ialah vektor logit tiga elemen yang mewakili ramalan tiga kelas. CNN terdiri daripada empat blok konvolusi, di mana setiap blok ditakrifkan sebagai 333konvolusi, normalisasi kelompok dan ReLU diulang tiga kali secara keseluruhan. Subsampling dilakukan pada penghujung setiap blok melalui konvolusi dengan langkah dua. Selepas
empat blok konvolusi (12 lapisan), peta ciri akhir diratakan dan digunakan sebagai input ke dalam satu lapisan bersambung sepenuhnya.
Pengelas Tahap Voxel
Pengelas CNN peringkat voxel ialah seni bina U-Netderived tersuai yang dilaksanakan dengan modul pengujaan picit pada setiap lapisan (19). Input model ialah kepingan tunggal 2D (96396) dan output model ialah topeng segmentasi 2D (96396) tunggal dengan ramalan tiga kelas pada setiap lokasi voxel. CNN terdiri daripada empat blok konvolusi berkontrak, di mana setiap blok ditakrifkan sebagai konvolusi 333, penormalan kelompok dan ReLU Bocor diulang tiga kali jumlah. Subsampling dilakukan pada penghujung setiap blok melalui konvolusi dengan langkah dua. Selepas empat blok konvolusi (12 lapisan), operasi diterbalikkan melalui seni bina rangkaian yang sama, dengan penggantian lilitan berjalur (sub-pensampelan) dengan transpose konvolusi (upsampling).
Pelaksanaan Rangkaian Neural
Fungsi kehilangan crossentropy softmax digunakan untuk mengoptimumkan kedua-dua model. Pengoptimuman dilakukan menggunakan teknik Adam (20) dengan kadar pereputan eksponen, b1, dan b2, ditetapkankepada {{0}}.9 dan 0.999, masing-masing. Kadar pembelajaran ditetapkan kepada 131023. Saiz kelompok ditetapkan kepada lapan, dengan jumlah 25,000 lelaran latihan. Normalisasi Xavier digunakan untuk memulakanpemberat sebelum latihan (21). Kod algoritma telah ditulis dalam Python 3.6, TensorFlow 2.1.0 library dan Keras 1.0.8 library. Rangkaian ini dilatih pada kluster unit pemprosesan grafik dalaman kami, yang mengandungi 48 Nvidia GeForce RTX 2080 Ti dan 12 GeForce RTX Titans. Secara purata, pengelas global dilatih selama 30 minit setiap percubaan, manakala pengelas berasaskan voxel dilatih selama 2-4 jam setiap percubaan.
Penilaian
Strategi pengesahan silang lima kali ganda digunakan untuk menilai proses latihan. Walaupun sehingga tiga buah pinggang berbeza daripada setiap pesakit telah dirawat secara individu semasaproses latihan, semua volum daripada pesakit tunggal distratifikasikan ke dalam kumpulan pengesahan silang yang sama untuk mengelakkan kebocoran data. Set data dipecahkan 80:20 dan kemudian dilatih pada80%, manakala 20% lagi digunakan untuk pengesahan. Latihan telah diulang sebanyak lima kali dengan pembahagian 80:20 yang berbeza sehingga keseluruhan set data disahkan sepenuhnya
Sebagai tambahan kepada eksperimen pada keseluruhan kohort data, analisis subkohort tambahan telah dilakukan untuk menilai kemungkinan pembolehubah mengelirukan. Stratifikasi telah digunakanberdasarkan status kontras intravena dan pengecualian buah pinggang asli atropik pada pesakit yang menerima pemindahan. Tambahan pula, untuk menilai kebolehgeneralisasian model, models yang dilatih secara eksklusif daripada pengimbas Philips dan GE telah disahkan secara eksklusif dengan data daripada pengimbas Siemens.
Perangkaan
Matlamat kajian kami adalah untuk membezakan antara fibrosis ringan/sederhana daripada fibrosis teruk pada pengimejan CT buah pinggang. Peraturan majoriti digunakan dalam kedua-dua pendekatan (global slice-by-slicedan berasaskan voxel) untuk menentukan keterukanFibrosis.Untuk menilai prestasi antara kedua-dua pendekatan,ketepatan, kepekaan, speciFibandar, nilai ramalan positif(PPV), dan nilai ramalan negatif (NPV) adalah calculewat dan dibandingkan. Kawasan di bawah penerima beroperasilengkung (AUC) juga dikira dengan mengubah softmaxambang markah untukFiBrosis classiFikation dan hasilnyakeluk yang dilukis untuk kedua-dua pendekatan untuk dibandingkan. Huraikanstatistik tive dilaporkan sebagai min6SD.
