​Penyakit Buah Pinggang Kronik (CKD): Adakah Anda Sesuai Untuk Pemindahan Buah Pinggang Tunggal Dan Dua?

untuk maklumat lanjut:ali.ma@wecistanche.com

Bahagian Ⅰ: Rangkaian saraf untuk klasifikasi glomerulus berdasarkan imej histologi biopsi buah pinggang

Giacomo Donato Cascaranol, Francesco Saverio Debitontol & et al.

Latar belakang

Penyakit buah pinggang yang kronik(CKD) adalah keadaan patologi yang dicirikan oleh kemerosotan fungsibuah pinggang. CKD (Penyakit buah pinggang yang kronik) adalah punca kematian ke-12, dengan sehingga 1.1 juta kes di seluruh dunia; peningkatan kematian yang berkaitan dengan CKD (Penyakit buah pinggang yang kronik)tahun-tahun lepas menjadikannya salah satu punca kematian yang paling cepat meningkat, di samping diabetes dan demensia [1, 2].buah pinggangpemindahanadalah terapi penggantian buah pinggang terbaik seperti yang didedahkan lebih berkesan daripada rawatan dialisis dari segi risiko kematian jangka panjang dan, pada masa yang sama, mempunyai kesan yang berkurangan ke atas sistem kesihatan awam [3, 4].

Klik untuk Cistanche NZ untuk penyakit buah pinggang kronik

Liyanage et al. menganggarkan bahawa 2.6 juta orang, dalam menghadapi 4.9 juta pesakit, menerima terapi penggantian buah pinggang di seluruh dunia pada tahun 2010, menunjukkan bahawa sekurang-kurangnya 2.3 juta orang mungkin telah meninggal dunia sebelum waktunya kerana terapi yang sesuai tidak dapat diakses [5].

Oleh kerana keperluan yang semakin meningkatbuah pinggangpemindahan[6], kajian yang berbeza cuba meluaskan kriteria untuk menerimabuah pingganguntuk dipindahkan, yang biasanya dikecualikan berdasarkan umur penderma dan ciri-ciri lain yang berkaitan dengan kualiti dan dimensibuah pinggang[7,8].

Moore et al. melakukan perbandingan antara dwibuah pinggangpemindahandaripada Expanded Criteria Donors (ECDs) dan singlebuah pinggangpemindahandaripada ECD yang disewa serentak dan penderma kriteria standard. Penulis menilai bahawa penggunaan dwipemindahan buah pinggangdaripada penderma marginal adalah pilihan yang berdaya maju dan fungsi buah pinggang boleh dicapai, dengan syarat kedua-duanyabuah pinggangdipindahkan ke penerima tunggal [9].

Remuzzi et al. mencadangkan satu teknik untuk menilaibuah pinggangsyaratdengan menilai biopsi histologi [10]. Kriteria penilaian, yang dikenali sebagai skor Karpinski, mempertimbangkan evolusi (dalam peratusan) keadaan patologi empat kawasan fungsian utama: glomerulosklerosis, atrofi tiub, fibrosis interstisial dan sklerosis arteri. Markah ini berkisar antara 0 hingga 12, dan semakin tinggi angkanya, semakin terukkeadaan buah pinggang [10-12]. buah pinggangdengan skor Karpinski dari 0 hingga 3 dan dari 4 hingga 6 dianggap sesuai untukpemindahan tunggal dan dua, masing-masing.

Rawatan penyakit buah pinggang: cistanche dan pemindahan buah pinggang

Untuk menilai skor Karpinski, ahli patologi melakukan penilaian visual bagi Imej Slaid Seluruh (WSI) histopatologi. Proses ini biasanya memakan masa, terdedah kepada kesilapan, dan juga subjektif.

Untuk mengatasi kelemahan ini, pembangunan sistem Computer-Aided Diagnosis (CAD) berdasarkan analisis imej tisu histopatologi untuk menyokong pengiraan skor adalah kemajuan yang berharga.

Kerja-kerja kesusasteraan terkini menunjukkan aplikasi pemprosesan imej dan teknik pembelajaran mesin untuk menganalisisbuah pingganghistopatologiWSI untuk pengesanan dan pengelasan glomeruli. Pendekatan pemprosesan imej bertujuan untuk mengekstrak ciri yang bermakna, contohnya, yang berdasarkan analisis bentuk dan tekstur; kemudian, algoritma pembelajaran mesin, seperti Rangkaian Neural Buatan (ANN) cetek atau mendalam, membuat keputusan berdasarkan ciri yang diekstrak.

Simon et al, for example, proposed texture-based features set as a simple but effective automatic method for glomeruli localization [13]. The authors applied the algorithm on renal tissue sections and biopsies of large histopathological WSIs. The features extracted from an adaptation of the Local Binary Pattern (LBP) algorithm were used to train a Support Vector Machine(SVM)model. The authors reported high precision(>90%) and reasonable recall (>70 peratus ) sebagai keputusan.

Untuk melakukan pengesanan menyeluruh glomeruli dalam imej keseluruhanbuah pinggangbahagian, Kato et al. mencadangkan deskriptor baharu yang dipanggil Segmental HOG (Histogram of Oriented Gradients)[14]. Penulis mendakwa keteguhan penyelesaian dan output segmentasi berkualiti tinggi; tambahan pula, penulis membandingkan HOG Segmental dengan HOG Segi Empat menunjukkan bahawa pendekatan pertama mencapai peningkatan ketara dalam prestasi pengesanan.

Beberapa pengarang, sebaliknya, memberi tumpuan kepada analisis bentuk dan warna glomeruli. Kotyk et al.mencadangkan penyelesaian baru untuk menghadapi variasi keamatan yang luas dan ketidakkonsistenan dari segi bentuk dan saiz glomeruli dalam korpuskel buah pinggang. Pendekatan yang dicadangkan, berdasarkan teknik Penganalisis Zarah, membenarkan pengesanan korpuskel buah pinggang dan pengukuran diameter glomerulus dan lebar ruang Bowman berikut. Penulis menilai bahawa pendekatan itu teguh kepada ubah bentuk glomeruli walaupun dengan hipertrofi glomerular [15]. Analisis kesan kepelbagaian ketara warna dan bentuk tisu pada keseluruhan imej slaid telah dilakukan oleh Zhao et al. [16]. Penulis memberi tumpuan kepada pengekstrakan lebar kapsul Bowman untuk mereka bentuk rangka kerja pengekstrakan glomerulus automatik dari mikrograf keseluruhan tisu buah pinggang. Sistem ini telah diuji pada tisu renal primata bukan manusia dengan pewarnaan Haematoxylin dan Eosin(HE).

Bukowy et al. mencadangkan aliran kerja analisis yang berbeza. Dalam [17], penulis membangunkan rangkaian saraf konvolusi untuk mengesan glomeruli dalam bahagian buah pinggang yang diwarnai trichrome. Prosedur itu diuji pada tikusbuah pinggangdan keputusan yang dilaporkan, mengenai klasifikasi glomeruli yang sihat dan rosak, menunjukkan ketepatan purata dan ingatan semula masing-masing 96.94 peratus dan 96.79 peratus.

Dalam kerja sebelumnya oleh Bevilacqua et al, sistem CAD untuk segmentasi dan diskriminasi saluran darah berbanding tubulus daripada biopsi dalambuah pinggangtisu telah direka dan diuji [18]. Imej histologi dengan pewarnaan Peri-odic Acid-Schiff(PAS) telah digunakan untuk membahagikan Kawasan Menarik (ROI) dan mengekstrak ciri Haralick yang membenarkan prosedur pengelasan berikutnya menggunakan algoritma berdasarkan ANN. Keputusan ujian menentukan bahawa pendekatan ANN yang diselia adalah konsisten, membolehkan memperoleh prestasi pengelasan yang baik.

Kerja ini memberi tumpuan kepada penilaian automatik bagibuah pinggangbiopsi, berurusan dengan keadaan patologi tertentu yang dipertimbangkan oleh skor Karpinski: glomerulosclerosis, iaitu. nisbah antara glomeruli sclerosed dan jumlah keseluruhan glomeruli. Untuk melakukan ini, pengesanan dan diskriminasi keadaan sklerotik yang menjejaskan glomeruli daripada bukan sklerotik adalah penting. Seperti yang telah dilaporkan dalam karya-karya yang canggih, ini adalah tugas yang mencabar kerana variasi intensiti luas glomeruli dan ketidakkonsistenan dalam bentuk dan saiz.

rawatan penyakit buah pinggang:pemindahan tunggal dan duapenyelidikan

Gabungan algoritma pengekstrakan ciri yang berbeza telah direka bentuk dan dinilai untuk mendiskriminasi keadaan glomeruli. Literatur yang dilaporkan menunjukkan algoritma pemprosesan imej khusus dan unik yang digunakan pada pelbagai jenis pewarnaan dan WSI bukan manusia. Set ciri yang dicadangkan dalam kerja ini, sebaliknya, datang daripada koleksi dua keluarga algoritma pengekstrak ciri yang digunakan secara meluas, terkenal dan tujuan umum, ciri iemorfologi dan tekstur. Keluarga ciri ini juga disertakan dalam beberapa algoritma yang dicadangkan dalam kesusasteraan, tetapi dalam karya ini, mereka diekstrak daripada WSI manusia dengan pewarnaan PAS. Selain itu, saluran paip klasifikasi, yang diperincikan dalam Kaedah, termasuk juga prosedur untuk pengurangan ciri yang membolehkan reka bentuk Rangkaian Neural Tiruan yang cetek. Aliran kerja keseluruhan yang dicadangkan dalam kerja ini, dan penyepaduan dengan prosedur yang dibentangkan dalam [18], akan membolehkan kami membina sistem CAD lengkap untuk analisis WSI histopatologi.

Keputusan

Keputusan yang diperoleh dengan menilai aliran kerja klasifikasi yang dicadangkan pada set ujian dilaporkan. Khususnya, keputusan merujuk kepada prestasi yang diperoleh dengan mengambil kira set ciri yang dikurangkan yang diklasifikasikan dengan menggunakan ANN cetek yang disahkan silang. Seperti yang dilaporkan dalam Jadual 1, set ujian terdiri daripada 579 imej glomeruli: 87 sklerotik, 492 bukan sklerotik.

Untuk menilai kestabilan aliran kerja, 10 larian keseluruhan proses telah dilakukan. Keputusan yang dicapai diringkaskan dalam Jadual 2. Khususnya, keputusan dilaporkan dari segi min dan sisihan piawai beberapa metrik, iaitu Ketepatan (Pers.1), Ketepatan(Persamaan.2), Ingatan Balik (Pers.3), dan Matthews Pekali Korelasi (Pers.4)[19], dinilai mengikut matriks kekeliruan yang dilaporkan dalam Jadual 3.

Di antara lelaran, keputusan terbaik dilaporkan dalam Jadual 4, manakala matriks kekeliruan yang sepadan dilaporkan dalam Jadual 5.

Aliran kerja yang dilaksanakan membolehkan pengelasan glomeruli sklerotik dan bukan sklerotik dengan prestasi yang baik(min MCC=0.95 dan min Ketepatan=0.99)dan kebolehubahan rendah (MCC std=0.01 dan Ketepatan std<0.00)(see table="" 2).="" precision="" and="" recall="" are="" equal="" to="" 0.98="" and="" 0.93,="" respectively,="" thus="" showing="" that="" the="" proposed="" system="" achieves="" a="" better="" performance="" in="" the="" non-sclerotic="" evaluation(all="" the="" non-sclerotic="" glomeruli="" were="" detected="" in="" the="" best="">

Jadual 1 Konfigurasi set data	Jadual 2 Perbandingan metrik bagi 10 pemulaan rangkaian

Jadual 3 Matriks Kekeliruan untuk pengiraan metrik	Jadual 4 Perbandingan metrik bagi 10 permulaan rangkaian

Jadual 5 Matriks kekeliruan model terbaik

Perbincangan

Menilai pendekatan yang dicadangkan pada set ujian bebas, aliran kerja pengelasan mencapai purata MCC dan Ketepatan {{0}}.95 dan 0.99, masing-masing, dan kebolehubahan rendah dalam 10 lelaran bebas (MCC std{{5} }.01 dan Ketepatan std<0.00). good="" precision="" and="" recall="" were="" also="" obtained="" (precision:="" 0.9844±0.0111,="" recall:="" 0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature[13,="">

Semasa melaksanakan dan menilai aliran kerja yang dilaporkan, kami menghadapi dan menguji masalah ketidakseimbangan data biasa, yang telah diselesaikan dengan menggunakan MCC sebagai pekali perbandingan prestasi dan keluk ROC untuk memilih ambang klasifikasi optimum. Keputusan yang dilaporkan menunjukkan bahawa persediaan aliran kerja yang dicadangkan boleh dipercayai untuk domain yang disiasat, menyokong amalan klinikal yang mendiskriminasi kedua-dua kelas glomeruli.

Menganalisis glomeruli yang tidak dikelaskan, kami juga mendapati bahawa imej input yang sepadan dengan sampel yang dikelaskan secara salah menunjukkan artifak pewarnaan atau bahagian separa (kebanyakannya di tepi); contoh biasa disebut dalam Rajah 1. Dalam amalan klinikal, bagaimanapun, ahli patologi membuang imej sedemikian yang juga boleh dikecualikan dalam aliran kerja yang dicadangkan dengan mereka bentuk strategi untuk mengesan imej awal yang terjejas oleh masalah tersebut.

Rawatan penyakit buah pinggang: pemindahan buah pinggang tunggal dan dua

KLIK DI SINI UNTUK BAHAGIAN Ⅱ