trừu tượngBối cảnh Mục tiêu của Trí tuệ nhân tạo trongSẹo thận(AIRS) là phát triển các công cụ học máy để định lượng không xâm lấnxơ thậntừ việc quét hình ảnh. Phương pháp Chúng tôi đã tiến hành phân tích hồi cứu những bệnh nhân đã chụp một hoặc nhiều lần chụp cắt lớp vi tính bụng (CT) trong vòng 6 tháng kể từ ngày điều trị.sinh thiết thận. Nhóm thuần tập cuối cùng bao gồm 152 lần chụp CT từ 92 bệnh nhân, trong đó bao gồm hình ảnh của 300 quả thận tự nhiên và 76 quả thận.ghép thận. Hai phép chập khác nhaumạng lưới thần kinh(phân loại cấp độ lát và cấp độ voxel) đã được thử nghiệm để phân biệt mức độ nghiêm trọng và nhẹ/trung bìnhxơ thận($50% so với,50%).xơ hóa kẽvà điểm teo ống thận từsinh thiết thậncác báo cáo đã được sử dụng làm sự thật cơ bản. Kết quả Hai mô hình học máy đã thể hiện giá trị dự đoán dương tương tự nhau ({{0}},886 so với 0,935) và độ chính xác (0,831 so với 0,879). Kết luận Tóm lại, các thuật toán học máy là một công cụ chẩn đoán không xâm lấn đầy hứa hẹn đểđịnh lượng xơ hóa thậntừ các bản chụp CT. Tiện ích lâm sàng của các công cụ dự đoán này, trong việc tránh sinh thiết thận và nguy cơ chảy máu liên quan ở bệnh nhân bị xơ hóa nặng, vẫn được xác nhận trong các thử nghiệm lâm sàng tiền cứu.
MẤT BAO LÂU ĐỂ CISTANCHE CÓ HIỆU QUẢ CHO BỆNH NHÂN THẬN?
Giới thiệu
Sinh thiết thận qua da dưới hướng dẫn siêu âm vẫn là tiêu chuẩn chăm sóc khi cần chẩn đoán mô học để hướng dẫn quản lý protein niệu, tiểu máu vi thể, thải ghép hoặc rối loạn chức năng thận không rõ nguyên nhân (1,2). Mức độ xơ hóa thận hoặc mức độ nghiêm trọng của bệnh thận mạn thường không được xác định tại thời điểm sinh thiết thận (3). Sinh thiết thận cho thấy tình trạng xơ hóa nặng (0,50%) có thể làm rõ chẩn đoán bệnh nhưng không có khả năng thay đổi cách xử lý lâm sàng và khiến bệnh nhân có nguy cơ chảy máu liên quan đến thủ thuật (4). Các biến chứng sau sinh thiết bao gồm từ tiểu máu thoáng qua đến xuất huyết đe dọa tính mạng và tương quan với các yếu tố nguy cơ bao gồm tăng huyết áp, tuổi cao, thiếu máu, số lượng tiểu cầu thấp, giảm chức năng thận và bất thường về cầm máu (5). Một phân tích tổng hợp gần đây trên 118,064 ca sinh thiết thận dưới hướng dẫn siêu âm đã báo cáo tỷ lệ sự cố do truyền máu, can thiệp chụp động mạch và tử vong lần lượt là 2%, 0,3% và 0,06% (6).
Đánh giá mức độ nghiêm trọng của CKD là rất quan trọng khi xem xét các rủi ro và lợi ích của sinh thiết thận, nhưng các công cụ không xâm lấn để đánh giá mức độ xơ hóa còn kém phát triển (7). Các nghiên cứu khám phá các kỹ thuật siêu âm (bao gồm chụp ảnh vận tốc sóng biến dạng, đo độ đàn hồi thoáng qua, đo độ đàn hồi thời gian thực, siêu âm Doppler và siêu âm biến dạng vỏ tủy) đã ghi nhận mối tương quan không nhất quán với mức độ xơ hóa trên mô học thận (3,8,9). Hơn nữa, các phương pháp này phụ thuộc rất nhiều vào các yếu tố bên ngoài, chẳng hạn như huyết áp, trọng lượng thận, trọng lượng cơ thể và lực chuyển đổi được áp dụng, chưa kể đến độ biến thiên cao trong và giữa các máy chủ (3). Một báo cáo gần đây đã tìm thấy mối tương quan chặt chẽ giữakích thước thận được xác định bằng siêu âm với chức năng thận ước tính (eGFR) nhưng không đánh giá đượcquả thậnsự xơ hóa(10). Kirpalani và cộng sự. báo cáo rằng phép đo độ đàn hồi hình ảnh cộng hưởng từ có triển vọng về mối tương quan giữa độ cứng với tình trạng xơ hóa thận (11), nhưng chưa khám phá các công cụ học máy như một phương tiện để tối ưu hóa độ chính xác dự đoán.
Chụp cắt lớp vi tính (CT) cho phép chụp ảnh mô thận có độ phân giải cao với lượng bức xạ tối thiểu cho bệnh nhân (7). Công nghệ học máy kết hợpsử dụng hình ảnh CT là một con đường đầy hứa hẹn cho những người khôngđánh giá xâm lấn thậnFibrosis, thay vì hiện tạitiêu chuẩn chăm sóc mô học. Học sâu tích chậpmạng lưới thần kinh (CNN) là một hình thức học máy mớiing, điều đó có thể cô lập các mẫu có liên quan khỏitology, hình ảnh hoặc dữ liệu lâm sàng khác hữu ích cho bệnh tật
đặc tính (12,13). Công nghệ chẩn đoán CNN đã được khám phá ở nhiều bối cảnh khác nhau, từ xuất huyết nội sọ và ung thư đến viêm phổi vàviêm ruột thừa (14–17).
Mục tiêu của nghiên cứu Trí tuệ nhân tạo trong sẹo thận (AIRS) là phát triển các công cụ CNN để định lượng mức độ xơ hóa thận như một phương pháp chẩn đoán có sự hỗ trợ của máy tính thay thế cho sinh thiết thận. Hai thuật toán CNN (phân loại cấp độ lát cắt và cấp độ voxel) đã được đào tạo để phân tích hình ảnh CT của thận tự nhiên và thận ghép để phân loại mức độ xơ hóa, dựa trên điểm xơ hóa thực tế từ sinh thiết thận ở cùng một bệnh nhân. Trong phân tích thí điểm này, chúng tôi tập trung vào việc mô tả tình trạng xơ hóa nhẹ/trung bình và nặng (50% so với $50%) như một sự phân đôi có ý nghĩa lâm sàng có thể hữu ích cho bác sĩ thận xem xét sinh thiết thận cho bệnh nhân của họ. Chúng tôi chứng minh rằng các thuật toán CNN có thể phân biệt bệnh xơ thận nặng và nhẹ/trung bình với độ chính xác cao
Nguyên liệu và phương pháp
Cơ sở dữ liệu bệnh nhân Đây là phân tích hồi cứu về sinh thiết thận được thực hiện tại Trung tâm Y tế Irvine thuộc Đại học California từ năm 2014 đến năm 2019. Chúng tôi đã xác định những bệnh nhân có kết quả chụp CT bụng trị giá $1 được hoàn thành trong vòng 6 tháng kể từ khi sinh thiết thận. Sau lần sàng lọc ban đầu của hệ thống hồ sơ bệnh án, 42 bệnh nhân được chụp ảnh đã bị loại vì những lý do sau: Chụp CT được tiến hành ngoài thời gian thu nhận (0,6 tháng kể từ ngày sinh thiết, n53); chụp cộng hưởng từ vùng bụng nhưng không tìm thấy CT trong hệ thống (n56); bệnh nhân vô tình bỏ qua quá trình chú thích (n52); thận tự nhiên không được phân đoạn ở bệnh nhân đã được cấy ghép (n51); quét chất lượng thấp với tạo phẩm phần cứng (n51); và các nghiên cứu hình ảnh bên ngoài không được lưu trữ trong kho lưu trữ hình ảnh dài hạn (n529). 152 bản chụp CT còn lại từ 92 bệnh nhân đã được tải xuống và khối tái tạo mô mềm theo trục được trích xuất để phân tích thêm. Phần lớn các lần chụp CT (79%) được thực hiện không dùng thuốc cản quang tiêm tĩnh mạch; 129 lần quét được thực hiện trên máy quét Philips, 22 lần quét trên máy quét Siemens và một lần trên máy quét GE Medical Systems.
Một nhà nghiên cứu bệnh học (JEZ) đã xem xét một lựa chọn ngẫu nhiên các bệnh nhân để xác nhận mức độ xơ hóa đã được ghi lại chính xác trong các báo cáo sinh thiết thận. Ở những bệnh nhân không đồng nhất, nhà nghiên cứu bệnh học thứ hai xem lại các slide để xác định sự thật cơ bản (xem Lời cảm ơn). Mức độ thực tế của tình trạng xơ hóa thận từ các báo cáo sinh thiết được coi là kết quả nhị phân: nhẹ/trung bình và nặng (xơ hóa kẽ và teo ống thận, 50% so với 50%). Thận tự nhiên trong ảnh chụp CT của bệnh nhân được cấy ghép được tự động cho điểm là xơ hóa nặng. Nhân khẩu học và tình trạng bệnh đi kèm đã được tổng hợp trong cơ sở dữ liệu REDCap và hình ảnh CT được truy cập như mô tả bên dưới. Tất cả các quy trình nghiên cứu đã được phê duyệt bởi Hội đồng Đánh giá Thể chế Irvine của Đại học California.
Chú thích
Các bản quét CT đã được chuyển từ Hệ thống Truyền thông và Lưu trữ Hình ảnh của bệnh viện chúng tôi sang cơ sở dữ liệu nội bộ an toàn. Một công cụ chú thích dựa trên web độc quyền tùy chỉnh đã được sử dụng để tạo mặt nạ nhị phân ba chiều thực tế tương ứng với thận phải và thận trái nguyên bản cũng như bất kỳ ca ghép thận nào, nếu có. Công cụ chú thích được triển khai như một tiện ích cọ vẽ đơn giản mà không có bất kỳ chức năng tạo ngưỡng hoặc đường viền nâng cao nào. Hai nhà nghiên cứu sinh viên (HRT, KAPR) đóng vai trò là người chú thích chính và một bác sĩ X quang cấp cao (PDC) sau đó đã xem xét từng bệnh nhân và tinh chỉnh vùng chú thích quan tâm nếu cần.
Tiền xử lý ảnh
Sử dụng mặt nạ thể tích thận có chú thích làm mẫu, mỗi quả thận được cắt và lấy mẫu lại thành thể tích voxel 96 3 96396 đẳng hướng. Opera lấy mẫu lại nàycần phải có sự điều chỉnh để đảm bảo tất cả đầu vào của mô hình có cùng kích thước ma trận và để đáp ứng các giới hạn của bộ nhớ bộ xử lý đồ họa. Với khối lượng làlần đầu tiên được cắt ở thận phải và trái và thận chỉ chiếm một phần nhỏ trong thể tích CT ban đầu, kích thước voxel được lấy mẫu lại cuối cùng có độ phân giải tương tự nhau.giải quyết dữ liệu gốc. Sau đó, mỗi khối đã cắt sẽ được chuẩn hóa bằng cách cắt tất cả các giá trị voxel thành phạm vi từ 2150 đến 250 Đơn vị Hounsfield và chia tỷ lệ theo hệ số 1:50. Bất kìMột bài kiểm tra duy nhất trong tập dữ liệu này có thể chứa tối đa ba quả thận bị cắt riêng lẻ được sử dụng để đào tạo thuật toán: (gốc) trái, (gốc) phải và ghép. Đối với mỗi đứa trẻNày, tổng cộng 96 hình ảnh hai chiều (2D) (có kích thước 96396) đã được sử dụng để đào tạo.
Cách tiếp cận của CNN
Hai mạng CNN 2D tùy chỉnh khác nhau đã được thử nghiệm và so sánh để phân biệt bệnh xơ thận nặng và nhẹ/trung bình. Thuật toán đầu tiên là một thuật toán toàn cầu tiêu chuẩncông cụ phân loại CNN từng lát, được thiết kế để dự đoán một trong ba loại loại trừ lẫn nhau cho mỗi hình ảnh 2D: không có thận, xơ hóa nhẹ/trung bình và xơ hóa nặng. CácThuật toán thứ hai là bộ phân loại CNN cấp pixel được triển khai thông qua kiến trúc U-Net tích chập hoàn toàn để thực hiện phân đoạn và phân loại đồng thời. TRONG
cả hai mô hình, phân loại cuối cùng bỏ qua các lát cắt hoặc điểm ảnh ba chiều không có thận và quy tắc đa số được tổng hợp dựa trên các dự đoán còn lại. Cả hai thuật toán đều được thực hiệnsử dụng kiến trúc mạng nén và kích thích tiên tiến, mô hình hoạt động hàng đầu của Thử thách nhận dạng hình ảnh quy mô lớn ImageNet năm 2017 (18).Cách tiếp cận mạng nén và kích thích cho phép các mạng hiệu chỉnh lại một cách thích ứng các phản hồi của tính năng theo kênh dựa trên các đầu vào mô hình khác nhau bằng cách học hỏi
xác định sự phụ thuộc lẫn nhau giữa các kênh (Hình 1).
Hình 1.|Các bản đồ nhiệt dự đoán được tạo ra bởi thuật toán học sâu xác định các khu vực nghi ngờ bị xơ hóa "nghiêm trọng" trong thận. Từ trái sang phải, thận có mức độ xơ hóa từ bình thường đến nặng được thể hiện với mức độ nhu mô xơ hóa ước tính tăng dần. Dự đoán chuẩn hóa softmax trung bình cuối cùng cho toàn bộ quả thận được hiển thị ở hàng dưới cùng, từ 0.0 đến 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; và 0.8–1.0.
Trình phân loại từng lát toàn cầu
Bộ phân loại CNN toàn cầu là một kiến trúc tùy chỉnh có nguồn gốc từ VGG được triển khai với các mô-đun kích thích nén ở mỗi lớp. Đầu vào mô hình là một lát 2D (96396)và đầu ra của mô hình là một vectơ logit ba phần tử biểu thị dự đoán ba lớp. CNN bao gồm bốn khối tích chập, trong đó mỗi khối được xác định là 333tích chập, chuẩn hóa hàng loạt và ReLU lặp lại tổng cộng ba lần. Việc lấy mẫu con được thực hiện ở cuối mỗi khối thông qua tích chập với bước hai. Sau đó
bốn khối tích chập (12 lớp), bản đồ tính năng cuối cùng được làm phẳng và được sử dụng làm đầu vào cho một lớp được kết nối đầy đủ duy nhất.
Bộ phân loại cấp độ Voxel
Trình phân loại CNN cấp voxel là kiến trúc U-Net có nguồn gốc tùy chỉnh được triển khai với các mô-đun kích thích nén ở mỗi lớp (19). Đầu vào mô hình là một lát 2D (96396) duy nhất và đầu ra mô hình là một mặt nạ phân đoạn 2D (96396) duy nhất với dự đoán ba lớp tại mỗi vị trí voxel. CNN bao gồm bốn khối chập hợp đồng, trong đó mỗi khối được xác định là tích chập 333, chuẩn hóa lô và Leaky ReLU lặp lại tổng cộng ba lần. Việc lấy mẫu con được thực hiện ở cuối mỗi khối thông qua tích chập với bước hai. Sau bốn khối tích chập (12 lớp), các hoạt động được đảo ngược thông qua một kiến trúc mạng giống hệt nhau, với việc thay thế các khối tích chập stridden (sub-lấy mẫu) với chuyển đổi tích chập (upsampling).
Triển khai mạng lưới thần kinh
Hàm mất entropy chéo softmax được sử dụng để tối ưu hóa cả hai mô hình. Tối ưu hóa được thực hiện bằng kỹ thuật Adam (20) với tốc độ phân rã theo cấp số nhân, b1 và b2, được đặtđến {{0}}.9 và 0.999 tương ứng. Tốc độ học được đặt thành 131023. Kích thước lô được đặt thành 8, với tổng số 25,{6}} lần lặp đào tạo. Chuẩn hóa Xavier được sử dụng để khởi tạomức tạ trước khi tập luyện (21). Mã thuật toán được viết bằng thư viện Python 3.6, TensorFlow 2.1.0 và thư viện Keras 1.0.8. Mạng được đào tạo trên cụm đơn vị xử lý đồ họa nội bộ của chúng tôi, bao gồm 48 Nvidia GeForce RTX 2080 Ti và 12 GeForce RTX Titans. Trung bình, bộ phân loại toàn cầu được đào tạo trong 30 phút cho mỗi thử nghiệm, trong khi bộ phân loại dựa trên voxel được đào tạo trong 2–4 giờ cho mỗi thử nghiệm.
Sự đánh giá
Chiến lược xác thực chéo năm lần đã được sử dụng để đánh giá quá trình đào tạo. Mặc dù có tới ba quả thận khác nhau của mỗi bệnh nhân được điều trị riêng lẻ trong quá trình điều trị.Trong quá trình đào tạo, tất cả khối lượng từ một bệnh nhân sẽ được phân tầng thành cùng một nhóm xác thực chéo để ngăn chặn rò rỉ dữ liệu. Tập dữ liệu được chia theo tỷ lệ 80:20 và sau đó được huấn luyện trên80%, trong khi 20% còn lại được sử dụng để xác nhận. Quá trình đào tạo được lặp lại tổng cộng năm lần với các tỷ lệ phân chia 80:20 khác nhau cho đến khi toàn bộ tập dữ liệu được xác thực đầy đủ
Ngoài các thử nghiệm trên toàn bộ nhóm dữ liệu, các phân tích nhóm phụ bổ sung đã được thực hiện để đánh giá các biến gây nhiễu tiềm ẩn. Sự phân tầng được áp dụngdựa trên tình trạng tiêm thuốc cản quang và loại trừ thận tự nhiên bị teo ở những bệnh nhân được ghép tạng. Hơn nữa, để đánh giá tính tổng quát của mô hình, modNhững người được đào tạo riêng từ máy quét Philips và GE đã được xác thực độc quyền bằng dữ liệu từ máy quét Siemens.
Số liệu thống kê
Mục tiêu nghiên cứu của chúng tôi là phân biệt giữa xơ hóa nhẹ/trung bình với xơ hóa nặng trên hình ảnh CT thận. Quy tắc đa số được sử dụng trong cả hai cách tiếp cận (từng lát toàn cầuvà dựa trên voxel) để xác định mức độ nghiêm trọng củaFibrosis.Để đánh giá hiệu quả giữa hai phương pháp,độ chính xác, độ nhạy, thông số kỹ thuậtFithành phố, giá trị tiên đoán dương(PPV) và giá trị tiên đoán âm (NPV) được tính toánmuộn màng và so sánh. Khu vực dưới máy thu hoạt độngđường cong (AUC) cũng được tính toán bằng cách thay đổi giá trị softmaxngưỡng điểm choFiphân loại brosisfication và kết quảvẽ đường cong cho cả hai phương pháp để so sánh. mô tảsố liệu thống kê được báo cáo là trung bình6SD.
