Malattia renale cronica (CKD): sei adatto per trapianti di rene singolo e doppio?

per maggiori information:ali.ma@wecistanche.com

Parte I.:Una rete neurale per la classificazione del glomerulo basata su immagini istologiche della biopsia renale

Giacomo Donato Cascaranol, Francesco Saverio Debitontol & et al.

Sfondo

Malattia renale cronica(CKD) è una condizione patologica caratterizzata da una degenerazione funzionale delrene. CKD (Malattia renale cronica) è la 12a causa di morte, con un massimo di 1,1 milioni di casi in tutto il mondo; l'aumento della mortalità correlata alla CKD(Malattia renale cronica)degli ultimi anni lo rende una delle cause di morte in più rapida crescita, insieme al diabete e alla demenza [1, 2].Renetrapiantoè la migliore terapia sostitutiva renale che si è rivelata più efficace del trattamento di dialisi in termini di rischio di mortalità a lungo termine e, allo stesso tempo, ha un impatto ridotto sul sistema sanitario pubblico [3, 4].

Clicca su Cistanche NZ per Malattia renale cronica

Liyanage et al. hanno stimato che 2,6 milioni di persone, di fronte a 4,9 milioni di pazienti, hanno ricevuto una terapia sostitutiva renale in tutto il mondo nel 2010, suggerendo che almeno 2,3 milioni di persone potrebbero essere morte prematuramente perché non è stato possibile accedere a una terapia appropriata [5].

A causa della crescente necessità direneTrapianti[6], diversi studi hanno cercato di ampliare i criteri di accettazionereniper essere trapiantati, che sono generalmente esclusi in base all'età del donatore e ad altre caratteristiche legate sia alla qualità che alla dimensione dellareni[7,8].

Moore et al. hanno eseguito un confronto tra dualerenetrapiantoda donatori con criteri estesi (ECD) e singolirenetrapiantoda ECD concur-rent e donatori di criteri standard. Gli autori hanno valutato che l'uso del doppiotrapianto di reneda donatori marginali è un'opzione praticabile e che la funzione renale può essere raggiunta, a condizione che entrambirenisono trapiantati in un unico ricevente [9].

Remuzzi et al. hanno proposto una tecnica per valutare larenecondizionevalutando le biopsie istologiche [10]. Il criterio di valutazione, noto come punteggio di Karpinski, considera l'evoluzione (in percentuale) di una condizione patologica di quattro aree funzionali principali: glomerulosclerosi, atrofia tubulare, fibrosi interstiziale e sclerosi arteriosa. Questo punteggio varia da 0 a 12, e più alto è il numero, peggiore è ilcondizione dei reni[10-12].Renicon un punteggio di Karpinski da 0 a 3 e da 4 a 6 sono considerati adatti pertrapianti singoli e doppirispettivamente.

Trattamento della malattia renale: cistanche e trapianto di rene

Per valutare il punteggio di Karpinski, i patologi eseguono la valutazione visiva delle immagini istopatologiche whole-slide (WSI). Questo processo è solitamente dispendioso in termini di tempo, soggetto a errori e anche soggettivo.

Per superare questi inconvenienti, lo sviluppo di sistemi CAD (Computer-Aided Diagnosis) basati sull'analisi istopatologica delle immagini tissutali per supportare il calcolo del punteggio è un valido progresso.

Recenti lavori di letteratura mostrano l'applicazione di tecniche di elaborazione delle immagini e di apprendimento automatico per analizzarereneistopatologicoWSI per il rilevamento e la classificazione dei glomeruli. Gli approcci di elaborazione delle immagini mirano a estrarre caratteristiche significative, ad esempio quelle basate sull'analisi di forme e texture; quindi, gli algoritmi di apprendimento automatico, come le reti neurali artificiali (ANN) poco profonde o profonde, prendono decisioni basate sulle funzionalità estratte.

Simon et al, ad esempio, hanno proposto funzionalità basate su texture impostate come un metodo automatico semplice ma efficace per la localizzazione dei glomeruli [13]. Gli autori hanno applicato l'algoritmo su sezioni di tessuto renale e biopsie di grandi WSI istopatologiche. Le funzionalità estratte da un adattamento dell'algoritmo LBP (Local Binary Pattern) sono state utilizzate per addestrare un modello SVM (Support Vector Machine). Gli autori hanno riportato risultati di alta precisione (>90%) e richiamo ragionevole (>70%).

Per eseguire un rilevamento completo dei glomeruli nelle immagini dell'interoreneKato et al. hanno proposto un nuovo descrittore chiamato Segmental HOG (Histogram of Oriented Gradients)[14]. Gli autori hanno affermato la robustezza della soluzione e gli output di segmentazione di alta qualità; inoltre, gli autori hanno confrontato Segmental HOG con Rectangular HOG dimostrando che il primo approccio ha raggiunto miglioramenti significativi nelle prestazioni di rilevamento.

Diversi autori, invece, si sono concentrati sull'analisi della forma e del colore dei glomeruli. Kotyk et al.hanno proposto una nuova soluzione per affrontare l'ampia variazione di intensità e l'incoerenza in termini di forma e dimensioni dei glomeruli nel corpuscolo renale. L'approccio proposto, basato sulla tecnica Particles Analyzer, ha permesso la rilevazione del corpuscolo renale e la successiva misurazione del diametro del glomerulo e della larghezza dello spazio di Bowman. Gli autori valutano che l'approccio era robusto alle deformazioni glomeruliche anche con ipertrofia glomerulare [15]. Un'analisi degli effetti di una significativa diversità di colore e forma del tessuto su intere immagini di diapositive è stata eseguita da Zhao et al. [16]. Gli autori si sono concentrati sull'estrazione della larghezza della capsula di Bowman per progettare un quadro di estrazione glomerulare automatizzato dalla micrografia dell'intero tessuto renale. Il sistema è stato testato su tessuti renali di primati non umani con colorazione di ematossilina ed eosina (HE).

Bukowy et al. hanno proposto un diverso flusso di lavoro di analisi. In [17], gli autori hanno sviluppato una rete neurale convoluzionale per rilevare glomeruli in sezioni di kid-ney macchiate di tricromo. La procedura è stata testata sul rattorenie i risultati riportati, per quanto riguarda la classificazione dei glomeruli sani e danneggiati, mostrano una precisione media e un richiamo rispettivamente del 96,94% e del 96,79%.

In un precedente lavoro di Bevilacqua et al, un sistema CAD per la segmentazione e la discriminazione dei vasi sanguigni ver-sus tubuli da biopsie nelreneil tessuto è stato progettato e testato [18]. Le immagini istologiche con colorazione peri-odic acid-Schiff (PAS) sono state utilizzate per segmentare le regioni di interesse (ROI) ed estrarre le caratteristiche di Haralick consentendo una successiva procedura di classificazione utilizzando algoritmi basati su ANN. I risultati dei test hanno determinato che l'approccio ANN supervisionato era coerente, consentendo di ottenere buone prestazioni di classificazione.

Questo lavoro si concentra sulla valutazione automatica direnebiopsie, che si occupano di una specifica condizione patologica considerata dal punteggio di Karpinski: glomerulosclerosi, cioè. il rapporto tra glomeruli sclerosi e il numero complessivo di glomeruli. Per fare questo, il rilevamento e la discriminazione della condizione sclerotica che colpisce i glomeruli da quelli non sclerotici sono cruciali. Come già riportato in opere dallo stato dell'arte, questo è un compito impegnativo a causa delle ampie variazioni di intensità dei glomeruli e delle incongruenze nella forma e nelle dimensioni.

trattamento della malattia renale:trapianti singoli e doppiRicerche

Una combinazione di diversi algoritmi di estrazione delle caratteristiche è stata progettata e valutata per discriminare la condizione dei glomeruli. La letteratura riportata mostra algoritmi di elaborazione delle immagini specifici e unici applicati a diversi tipi di colorazione e WSI non umani. L'insieme delle caratteristiche proposte in questo lavoro, invece, proviene da una raccolta di due famiglie di algoritmi di estrazione di caratteristiche ampiamente utilizzate, ben note e di uso generale, ovvero caratteristiche morfologiche e di tessitura. Queste famiglie di caratteristiche sono anche incluse in alcuni degli algoritmi proposti in letteratura, ma in questo lavoro sono state estratte da WSI umani con colorazione PAS. Inoltre, la pipeline di classificazione, dettagliata in Metodi, include anche procedure per la riduzione delle caratteristiche che consentono la progettazione di una rete neurale artificiale poco profonda. Il flusso di lavoro complessivo proposto in questo lavoro, e l'integrazione con la procedura presentata in[18], ci permetterà di costruire un sistema CAD completo per l'analisi dei WSI istopatologici.

Risultati

Vengono riportati i risultati ottenuti valutando il flusso di lavoro di classificazione proposto sul set di test. In particolare, i risultati si riferiscono alle prestazioni ottenute considerando l'insieme ridotto di caratteristiche classificate utilizzando l'ANN superficiale cross-validated. Come riportato nella Tabella 1, il set di test era costituito da 579 immagini di glomeruli: 87 sclerotiche, 492 non sclerotiche.

Per valutare la stabilità del flusso di lavoro, sono state eseguite 10 esecuzioni dell'intero processo. I risultati raggiunti sono riassunti nella Tabella 2. In particolare, i risultati sono riportati in termini di deviazione media e standard di diverse metriche, ovvero Accuratezza (Eq.1), Precisione (Eq.2), Richiamo (Eq.3) e Coefficiente di correlazione di Matthews (Eq.4)[19], valutati secondo la matrice di confusione riportata nella Tabella 3.

Tra le iterazioni, i migliori risultati sono riportati nella Tabella 4, mentre la matrice di confusione corrispondente è riportata nella Tabella 5.

Il flusso di lavoro implementato consente la classificazione di glomeruli sclerotici e non sclerotici con buone prestazioni (MCC medio = 0,95 e precisione media = 0,99) e bassa variabilità (MCC std = 0,01 e precisione 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="">

Tabella 1 Configurazione del set di dati	Tabella 2 Confronto delle metriche di 10 inizializzazioni di rete

Tabella 3 Matrice di confusione per il calcolo delle metriche	Tabella 4 Confronto delle metriche di 10 inizializzazione della rete

Tabella 5 Matrice di confusione del modello migliore

Discussione

Valutando l'approccio proposto su un set di test indipendente, il flusso di lavoro di classificazione ha raggiunto un MCC medio e un'accuratezza rispettivamente di 0,95 e 0,99 e una bassa variabilità su 10 iterazioni indipendenti (MCC std = 0,01 e Accuracy 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,="">

Durante l'implementazione e la valutazione del flusso di lavoro segnalato, abbiamo affrontato e testato il problema comune di sbilanciamento dei dati, che è stato risolto utilizzando MCC come coefficiente di confronto delle prestazioni e curva ROC per selezionare la soglia di classificazione ottimale. I risultati riportati suggeriscono che la configurazione del flusso di lavoro proposta è affidabile per il dominio indagato, supportando la pratica clinica di discriminare le due classi di glomeruli.

Analizzando glomeruli mal classificati, abbiamo anche scoperto che le immagini di input corrispondenti ai campioni mal classificati mostravano artefatti di colorazione o parti parziali (principalmente sui bordi); esempi comuni sono citati in Fig.1.In la pratica clinica, tuttavia, i patologi scartano tali immagini che potrebbero anche essere escluse nel flusso di lavoro proposto progettando strategie per rilevare in anticipo le immagini interessate da tali problemi.

Trattamento della malattia renale: trapianti di rene singolo e doppio

CLICCA QUI PER LA PARTE II.