AstrattoBackground L'obiettivo dell'Intelligenza Artificiale inCicatrici renali(AIRS) è quello di sviluppare strumenti di apprendimento automatico per la quantificazione non invasiva difibrosi renaledalle scansioni di immagini. Metodi Abbiamo condotto un'analisi retrospettiva di pazienti che avevano effettuato una o più tomografia computerizzata addominale (TC) entro 6 mesi dall'esamebiopsia renale. La coorte finale comprendeva 152 scansioni TC di 92 pazienti, che includevano immagini di 300 reni nativi e 76reni trapiantati. Due convoluzionali diversireti neurali(classificatori a livello di sezione e a livello di voxel) sono stati testati per differenziare il livello grave da quello lieve/moderatofibrosi renale($ 50% contro 50%).Fibrosi interstizialee punteggi di atrofia tubulare dabiopsia renalei rapporti venivano usati come verità fondamentale. Risultati I due modelli di machine learning hanno dimostrato un valore predittivo positivo simile ({{0}}.886 contro 0.935) e un'accuratezza (0.831 contro 0.879). Conclusioni In sintesi, gli algoritmi di machine learning sono un promettente strumento diagnostico non invasivoquantificare la fibrosi renaledalle scansioni TC. L’utilità clinica di questi strumenti di previsione, in termini di evitare la biopsia renale e i rischi di sanguinamento associati nei pazienti con fibrosi grave, deve ancora essere convalidata in studi clinici prospettici.
QUANTO TEMPO IMPIEGA LE CISTANCHE A FUNZIONARE SUI PAZIENTI RENALI?
introduzione
La biopsia renale percutanea ecoguidata rimane lo standard di cura quando la diagnosi istologica è necessaria per guidare la gestione di proteinuria, ematuria microscopica, rigetto di trapianto o disfunzione renale inspiegabile (1,2). Il grado di fibrosi renale o la gravità della malattia renale cronica sono spesso sconosciuti al momento della biopsia renale (3). Una biopsia renale che rivela una fibrosi grave (0,50%) può chiarire la diagnosi della malattia, ma è improbabile che cambi la gestione clinica e metta i pazienti a rischio di sanguinamento correlato alla procedura (4). Le complicanze post-biopsia vanno dall'ematuria transitoria all'emorragia pericolosa per la vita e sono correlate a fattori di rischio che includono elevata pressione sanguigna, età avanzata, anemia, bassa conta piastrinica, ridotta funzionalità renale e anomalie dell'emostasi (5). Una recente meta-analisi di 118,064 biopsie renali ecoguidate ha riportato tassi di incidenza di trasfusioni di sangue, interventi angiografici e morte pari rispettivamente al 2%, 0,3% e 0,06% (6).
Valutare la gravità della malattia renale cronica è fondamentale se si considerano i rischi e i benefici di una biopsia renale, ma gli strumenti non invasivi per valutare il grado di fibrosi sono sottosviluppati (7). Gli studi che hanno esplorato le tecniche ecografiche (tra cui l'imaging della velocità delle onde di taglio, l'elastografia transitoria, l'elastografia in tempo reale, l'ecografia Doppler e lo sforzo corticomidollare ecografico) hanno notato una correlazione incoerente con il grado di fibrosi sull'istologia renale (3,8,9). Inoltre, questi metodi dipendono fortemente da fattori esterni, come la pressione sanguigna, il peso dei reni, il peso corporeo e la forza del trasduttore applicata, per non parlare dell'elevata variabilità intra e interosservatore (3). Un recente rapporto ha trovato una stretta correlazione tradimensione renale determinata mediante ecografia con funzionalità renale stimata (eGFR), ma non valutatarenefibrosi(10). Kirpalani et al. hanno riferito che l’elastografia con risonanza magnetica era promettente in termini di correlazione dei punteggi di rigidità con la fibrosi renale (11), ma non ha esplorato gli strumenti di apprendimento automatico come mezzo per ottimizzare l’accuratezza predittiva.
La tomografia computerizzata (CT) consente l'imaging ad alta risoluzione del tessuto renale con un'esposizione minima alle radiazioni per il paziente (7). Tecnologia di apprendimento automatico in combinazionezione con l'imaging TC è una strada promettente per chi non lo èvalutazione invasiva del renefibrosis, invece dell'attualestandard di cura istologico. Apprendimento convoluzionale profondoLe reti neurali (CNN) sono una nuova forma di apprendimento automaticoing, che può isolare modelli rilevanti dai suoitologici, di imaging o altri dati clinici utili per la malattia
caratterizzazione (12,13). La tecnologia della CNN per la diagnostica è stata esplorata in una varietà di contesti, che vanno dall’emorragia intracranica e dal cancro alla polmonite eappendicite (14-17).
L’obiettivo dello studio Artificial Intelligence in Renal Scarring (AIRS) è quello di sviluppare strumenti della CNN per quantificare la fibrosi renale come alternativa diagnostica assistita da computer alla biopsia renale. Due algoritmi della CNN (classificatori a livello di fetta e a livello di voxel) sono stati addestrati per analizzare l’imaging TC di reni nativi e trapiantati per classificare il grado di fibrosi, sulla base di punteggi di fibrosi attendibili ottenuti da biopsie renali negli stessi pazienti. In questa analisi pilota, ci siamo concentrati sulla delineazione della fibrosi lieve/moderata rispetto a quella grave (,50% contro $50%) come una dicotomia clinicamente rilevante che può essere utile per un nefrologo che considera la biopsia renale per il proprio paziente. Dimostriamo che gli algoritmi della CNN possono differenziare la fibrosi renale grave da quella lieve/moderata con un alto grado di accuratezza
Materiali e metodi
Database dei pazienti Si tratta di un'analisi retrospettiva delle biopsie renali effettuata presso l'Irvine Medical Center dell'Università della California tra il 2014 e il 2019. Abbiamo identificato pazienti con scansioni TC addominali da $ 1 completate entro 6 mesi dalla biopsia renale. Dopo lo screening iniziale del sistema di cartelle cliniche, 42 pazienti sottoposti a imaging sono stati esclusi per i seguenti motivi: scansione TC condotta al di fuori del periodo di inclusione (0,6 mesi dalla data della biopsia, n53); risonanza magnetica addominale ma nessuna TC trovata nel sistema (n56); pazienti saltati inavvertitamente nel processo di annotazione (n52); reni nativi non segmentati in un paziente sottoposto a trapianto (n51); scansione di bassa qualità con artefatti hardware (n51); e studi di imaging esterni che non sono stati archiviati negli archivi di imaging a lungo termine (n529). Sono state scaricate le rimanenti 152 scansioni TC di 92 pazienti e il volume ricostruito dei tessuti molli assiali è stato estratto per ulteriori analisi. La maggior parte delle scansioni TC (79%) sono state condotte senza mezzo di contrasto endovenoso; Sono state condotte 129 scansioni su uno scanner Philips, 22 su uno scanner Siemens e una su uno scanner GE Medical Systems.
Un patologo (JEZ) ha esaminato una selezione casuale di pazienti per confermare che il grado di fibrosi fosse accuratamente documentato nei referti di biopsia renale. Nei pazienti discordanti, un secondo patologo ha esaminato le diapositive per determinare la verità fondamentale (vedi Ringraziamenti). Il grado accertato di fibrosi renale derivante dai referti bioptici è stato trattato come un risultato binario: lieve/moderato rispetto a grave (fibrosi interstiziale e atrofia tubulare, 50% rispetto a $ 50%). I reni nativi nelle scansioni TC di pazienti trapiantati sono stati automaticamente classificati come fibrosi grave. I dati demografici e le condizioni di comorbilità sono stati compilati in un database REDCap e si è avuto accesso alle immagini TC come descritto di seguito. Tutte le procedure di ricerca sono state approvate dal comitato di revisione istituzionale dell'Università della California Irvine.
Annotazione
Le scansioni TC sono state trasferite dal sistema di archiviazione e comunicazione delle immagini del nostro ospedale a un database interno sicuro. È stato utilizzato uno strumento di annotazione proprietario personalizzato basato sul web per creare maschere binarie tridimensionali realistiche corrispondenti ai reni nativi destro e sinistro e a eventuali trapianti renali, se presenti. Lo strumento di annotazione è stato implementato come una semplice utilità di pennello senza alcuna funzionalità di soglia o di contornatura avanzata. Due studenti ricercatori (HRT, KAPR) sono stati gli annotatori principali e un radiologo senior (PDC) ha successivamente esaminato ciascun paziente e perfezionato le annotazioni sulla regione di interesse dove necessario.
Preelaborazione delle immagini
Utilizzando le maschere del volume renale annotate come modello, ciascun rene è stato ritagliato e ricampionato in un volume voxel 96 3 96396 isotropico. Questa opera di ricampionamentoEra necessario garantire che tutti gli input del modello avessero la stessa dimensione della matrice e soddisfare le limitazioni della memoria dell'unità di elaborazione grafica. Considerati i volumi eranoritagliati per la prima volta sui reni destro e sinistro e che i reni costituiscono solo una piccola porzione del volume CT originale, le dimensioni dei voxel ricampionate finali erano simili in risoluzionesoluzione ai dati originali. Ciascun volume ritagliato è stato quindi normalizzato ritagliando tutti i valori dei voxel in un intervallo compreso tra 2150 e 250 unità Hounsfield e ridimensionato di un fattore di 1:50. Qualunqueun singolo esame in questo set di dati può contenere fino a tre singoli reni ritagliati utilizzati per l'addestramento dell'algoritmo: (nativo) sinistro, (nativo) destro e trapianto. Per ogni singolo bambinoSì, per la formazione sono state utilizzate un totale di 96 immagini bidimensionali (2D) (della dimensione 96396).
Approccio della CNN
Sono state testate e confrontate due diverse reti CNN 2D personalizzate per differenziare la fibrosi renale grave da quella lieve/moderata. Il primo algoritmo è uno standard globaleClassificatore CNN fetta per fetta, progettato per prevedere una delle tre categorie mutuamente esclusive per ciascuna immagine 2D: assenza di reni, fibrosi lieve/moderata e fibrosi grave. ILil secondo algoritmo è un classificatore CNN a livello di pixel implementato attraverso un'architettura U-Net completamente convoluzionale per eseguire segmentazione e classificazione simultanee. In
In entrambi i modelli, la classificazione finale ignora le fette o i voxel senza reni e una regola di maggioranza viene aggregata sulle restanti previsioni. Entrambi gli algoritmi sono implementatiutilizzando l'architettura di rete all'avanguardia di compressione ed eccitazione, il modello con le migliori prestazioni della ImageNet Large Scale Visual Recognition Challenge nel 2017 (18).L'approccio della rete squeeze-and-excitation consente alle reti di ricalibrare in modo adattivo le risposte delle funzionalità a livello di canale in base a diversi input del modello mediante l'apprendimento
interdipendenze tra i canali (Figura 1).
Figura 1.|Mappe di calore di previsione generate dall'algoritmo di deep learning che identificano aree di sospetta fibrosi "grave" all'interno del rene. Da sinistra a destra, i reni che vanno dalla fibrosi normale a quella grave sono mostrati con gradi progressivi di parenchima fibrotico stimato. Le previsioni medie finali normalizzate softmax per l'intero rene sono mostrate nella riga inferiore, che vanno da 0.0 a 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; e 0.8–1.0.
Classificatore globale fetta per fetta
Il classificatore globale della CNN è un'architettura personalizzata derivata da VGG implementata con moduli di eccitazione di compressione su ogni livello. L'input del modello è una singola sezione 2D (96396).e l'output del modello è un vettore logit a tre elementi che rappresenta una previsione a tre classi. La CNN è composta da quattro blocchi convoluzionali, dove ciascun blocco è definito come 333convoluzione, normalizzazione batch e ReLU ripetuti tre volte in totale. Il sottocampionamento viene eseguito alla fine di ciascun blocco attraverso una convoluzione con passo due. Dopo
quattro blocchi convoluzionali (12 livelli), la mappa delle caratteristiche finale viene appiattita e utilizzata come input in un singolo livello completamente connesso.
Classificatore a livello di voxel
Il classificatore CNN a livello di voxel è un'architettura personalizzata derivata da U-Net implementata con moduli di eccitazione di compressione su ogni livello (19). L'input del modello è una singola sezione 2D (96396) e l'output del modello è una singola maschera di segmentazione 2D (96396) con una previsione di tre classi in ciascuna posizione del voxel. La CNN è composta da quattro blocchi convoluzionali contraenti, in cui ciascun blocco è definito come una convoluzione 333, normalizzazione batch e Leaky ReLU ripetuto tre volte in totale. Il sottocampionamento viene eseguito alla fine di ciascun blocco attraverso una convoluzione con passo due. Dopo quattro blocchi convoluzionali (12 strati), le operazioni vengono invertite attraverso un'architettura di rete identica, con la sostituzione delle convoluzioni stridden (sub-campionamento) con trasposizioni convoluzionali (upsampling).
Implementazione della rete neurale
Per ottimizzare entrambi i modelli viene utilizzata una funzione di perdita di entropia incrociata softmax. L'ottimizzazione è stata eseguita utilizzando la tecnica Adam (20) con tassi di decadimento esponenziale, b1 e b2, impostatia {{0}}.9 e 0.999, rispettivamente. La velocità di apprendimento è impostata su 131023. La dimensione del batch è impostata su otto, con un totale di 25,000 iterazioni di addestramento. Per inizializzare viene utilizzata la normalizzazione di Xavieri pesi prima dell'allenamento (21). Il codice dell'algoritmo è stato scritto in Python 3.6, libreria TensorFlow 2.1.0 e libreria Keras 1.0.8. La rete è addestrata sul nostro cluster interno di unità di elaborazione grafica, che contiene 48 Nvidia GeForce RTX 2080 Ti e 12 GeForce RTX Titans. In media, il classificatore globale è stato addestrato per 30 minuti per esperimento, mentre il classificatore basato su voxel è stato addestrato per 2-4 ore per esperimento.
Valutazione
Per valutare il processo di formazione è stata utilizzata una strategia di convalida incrociata in cinque fasi. Sebbene durante il trattamento siano stati trattati individualmente fino a tre reni diversi per ciascun pazienteprocesso di formazione, tutti i volumi di un singolo paziente vengono stratificati nello stesso gruppo di convalida incrociata per evitare fughe di dati. Il set di dati è stato suddiviso 80:20 e quindi addestrato su80%, mentre il restante 20% è stato utilizzato per la validazione. L'addestramento è stato ripetuto cinque volte in totale con diverse suddivisioni 80:20 fino alla completa convalida dell'intero set di dati
Oltre agli esperimenti sull'intera coorte di dati, sono state eseguite ulteriori analisi di sottocoorte per valutare potenziali variabili confondenti. È stata applicata la stratificazionebasato sullo stato del contrasto endovenoso e sull'esclusione dei reni nativi atrofici nei pazienti che hanno ricevuto un trapianto. Inoltre, per valutare la generalizzabilità del modello, il modGli elementi addestrati esclusivamente con scanner Philips e GE sono stati convalidati esclusivamente con dati provenienti da scanner Siemens.
Statistiche
Il nostro obiettivo dello studio era quello di distinguere tra fibrosi lieve/moderata e fibrosi grave all'esame TC del rene. La regola della maggioranza è stata utilizzata in entrambi gli approcci (globale fetta per fetta).e basati su voxel) per determinare la gravità diFibrosis.Per valutare la performance tra i due approcci,precisione, sensibilità, speciFicittà, valore predittivo positivo(PPV) e il valore predittivo negativo (NPV) sono stati calcolatitardivo e confrontato. L'area sotto il ricevitore in funzioneAnche la curva (AUC) è stata calcolata variando il softmaxsoglia del punteggio per ilFiBrosis classiFicatione e il risultatocurva tracciata per entrambi gli approcci da confrontare. Descrivile statistiche sono riportate come media6SD.
