vnNgôn ngữ
Trang chủ / Kiến thức / Nội dung

Kiến thức

Đánh giá sẹo thận bằng trí tuệ nhân tạo (Nghiên cứu AIRS) Ⅱ

May 13, 2024

Kết quả

Cả hai mô hình đều được đào tạo và xác nhận trên tổng số 152 lần chụp CT từ 92 bệnh nhân, trong đó có 148 quả thận trái, 152 quả thận phải và 73 quả thận phải.ghép thận. Đặc điểm của bệnh nhân được tóm tắt trong Bảng 1; 55 bệnh nhân bị xơ hóa nhẹ hoặc nhẹ (,25%), 14 bệnh nhân được phân loại là xơ hóa trung bình (25%–50%) và 23 bệnh nhân bị xơ hóa nặng (0,50%). eGFR trung bình lần lượt là 37626 so với 25618 so với 16613 ml/phút trên 1,73 m2 ở nhóm xơ hóa nhẹ, trung bình và nặng. Bệnh nhân bị xơ hóa nhẹ/trung bình được phân nhóm để phân tích đối với bệnh nhân bị xơ hóa nặng trên hình ảnh CT thận;thể tích thận trung bìnhlà 217 cm3 (phạm vi 48–668) so với 76 cm3 (phạm vi 3–347) ở nhóm xơ hóa nhẹ/trung bình so với nặng (,50% so với $50%). Có một sinh thiết bệnh nhân cho kết quả xơ hóa trái ngược nhau (so sánh báo cáo biểu đồ y tế với đánh giá của nhà nghiên cứu bệnh học hiện tại) và sự thật cơ bản được xác định thông qua đánh giá mù quáng của nhà nghiên cứu bệnh học thứ hai (xem Lời cảm ơn)

cistanche treat kidney disease

MẤT BAO LÂU ĐỂ CISTANCHE CÓ HIỆU QUẢ CHO BỆNH NHÂN THẬN?

Khi xác thực nhiều phần, mô hình từng lát mang lại AUC tổng thể là 0,917, trong khi phương pháp dựa trên voxel mang lại AUC tổng thể là 0,922 (Hình 2). Độ chính xác, độ nhạy, độ đặc hiệu, PPV và NPV của mô hình ở các ngưỡng khác nhau được đánh giá trên cả hai thuật toán CNN được tóm tắt trong Bảng 2. Ở ngưỡng dự đoán là {{10}}.5, từng phần Cách tiếp cận -slice mang lại cho chúng tôi độ chính xác là 0.831, độ nhạy là 0.817, độ đặc hiệu của {{20}}.852, PPV là 0.886 , và NPV của 0.767. Ở cùng ngưỡng dự đoán là 0.5, phương pháp dựa trên voxel mang lại kết quả tương tự với độ chính xác là 0.879, độ nhạy là 0.853, độ đặc hiệu là {{35} }.916, PPV là 0,935 và NPV là 0,816. Phương pháp dựa trên voxel khi so sánh với các báo cáo bệnh lý thực tế mang lại 13 kết quả dương tính giả (xơ hóa nhẹ/trung bình được phân loại là nghiêm trọng), 32 kết quả âm tính giả (không phát hiện xơ hóa nặng; tỷ lệ bỏ sót 15%), 187 kết quả dương tính thật và 141 kết quả âm tính thực .
Kết quả từ các phân tích nhóm phụ phân tầng được trình bày trong Bảng 3. Hiệu suất tổng thể của cả hai mô hình là tương tự nhau sau khi loại trừ các bài kiểm tra sau khi tiêm thuốc cản quang và/hoặcloại trừ thận tự nhiên bị teoở những bệnh nhân đã trải qua cấy ghép. Sự giảm nhẹ về hiệu suất ({0}}.86 độ chính xác) đã được ghi nhận cụ thể đối với chiến lược CNN dựa trên voxel sau khi loại bỏ các bài kiểm tra sau tương phản; tất cả các hoán vị khác đều thể hiện độ chính xác là 0,90 USD. Ngoài ra, khả năng tổng quát hóa mô hình tổng thể vẫn được duy trì sau khi phân tầng tập huấn luyện (Philips, GE) và tập xác thực (Siemens) do nhà sản xuất độc quyền thực hiện. So sánh các công cụ dự đoán của chúng tôi và các nghiên cứu khác của CNNđánh giá bệnh thậntham số là tổngđược liệt kê trong Bảng 4.

Echinacoside of cistanche can improve kidney function

Cuộc thảo luận

Chúng tôi đã bắt đầu nghiên cứu AIRS để phát triển các công cụ học máy nhằmđịnh lượng xơ hóa thậnnhư một phương pháp chẩn đoán không xâm lấn thay thế cho sinh thiết thận. Trong một nhóm gồm 92 bệnh nhân, chúng tôi đã phân tích 300hình ảnh thận bản địavà 73 quả thận được ghép từ 152 lần chụp CT bụng. Chúng tôi nhận thấy các mô hình CNN dựa trên từng lát và dựa trên voxel toàn cầu giống nhau trong việc phân biệt mức độ nghiêm trọng với mức độ nhẹ/xơ thận vừa phải, với AUC {{0}}.917 so với 0.922 và PPV 0.886 so với 0.935, khi so sánh với thực tế cơ bản từbáo cáo sinh thiết thận. Cả hai mô hình CNN đều hoạt động nhất quán khi thử nghiệm với các máy quét CT khác nhau và khi loại trừ thận tự nhiên bị teo ở những bệnh nhân đã trải qua cấy ghép; mô hình từng lát toàn cầu có độ chính xác dự đoán tốt hơn một chút khi chỉ thử nghiệm chụp CT không cản quang.

Sinh thiết thận chẩn đoán vẫn là tiêu chuẩn chăm sóc khi cần chẩn đoán mô học để hướng dẫn quản lý protein niệu, thải ghép hoặc thận không rõ nguyên nhânrối loạn chức năng (1,2). Tuy nhiên, quyết định thực hiện sinh thiết thận tự nhiên có thể phức tạp, đặc biệt nếu bệnh nhân đang điều trị chống đông máu hoặc bị thiếu máu hoặc giảm tiểu cầu., có thể làm tăng nguy cơ xảy ra các biến chứng nghiêm trọng,bao gồm truyền máu, can thiệp chụp động mạch,và tử vong (tỷ lệ sự cố tổng thể là 2%, 0,3% và 0,06%,tương ứng) (6). Các công cụ không xâm lấn để đánh giá mức độcủa thậnfibrosis đang thiếu (7), và cho đến nay vẫn chưa có uticác công cụ học máy được tối ưu hóa để giảm thiểu tính chủ quan vàThiên kiến. Những công cụ này có thể tỏ ra hữu ích khi được đánh giá trongbối cảnh của các dấu hiệu khác của suy thận mãn tính(e.g., tăng hormone tuyến cận giáp và phốt phát). Ngang bằngđặc biệt, dự đoán nghiêm trọng (.50%) fibrosis có thể biện minhtránh sinh thiết thận vì bệnh nhân sẽ khônglà một ứng cử viên cho liệu pháp điều chỉnh miễn dịch (i.e., cácsinh thiết sẽ không thay đổi cách xử trí lâm sàng). Thông tin nàysự trao đổi có giá trị, chẳng hạn như khi bệnh nhân đến khámbị suy thận nặng và không rõ bệnh lýcâu chuyện. Các đường bổ sung bằng kim sinh thiết để tối ưu hóa

việc lấy mẫu cầu thận để làm mô học từ mộtthận xơ hóacó thể dẫn đến tăng nguy cơ chảy máu (22). Nếu mức độ xơ hóa nghiêm trọng được dự đoán trên phân tích CNN của ảnh chụp CT, đội ngũ y tế có thể quyết định hạn chế lấy mẫu sinh thiết hoặc tránh hoàn toàn sinh thiết thận, sau khi cùng bệnh nhân đưa ra quyết định. Đáng lưu ý, sinh thiết thận chẩn đoán tự nhiên vẫn có thể được chỉ định ở thận dường như ở giai đoạn cuối theo quyết định của bác sĩ thận để hướng dẫn đánh giá khả năng cấy ghép hoặc để xác định nguyên nhân của bệnh hệ thống.

Chúng tôi lưu ý rằng ngưỡng dự đoán 0.5 có hiệu quả tốt nhất liên quan đến khả năng áp dụng trong tương lai trong việc ra quyết định lâm sàng, theo đó mục tiêu là xác định bệnh nhân mắc bệnhthận tiên tiếnfibrosis, và do đó tránh được sinh thiết xâm lấnvà các biến chứng chảy máu tiềm ẩn của nó đã được thảo luận ở trên.Với mô hình CNN dựa trên voxel, ngưỡng 0,5 sẽ

xác định 85% số người bị xơ thận tiến triển với PPV là 94% (Bảng 2). Việc nâng ngưỡng lên 0.9 sẽ cải thiện nhẹ PPV lên 95% nhưng sẽ giảm đáng kể độ nhạy từ 85% xuống 72% (tức là sẽ bỏ sót 28% số người bị xơ hóa nặng).

effect of cistanche improve kidney function (2)

Hiện tại, hạn chế chính của thuật toán được đề xuất là yêu cầu xác định vùng quan tâm thủ công cho từng quả thận trước khi dự đoán học sâu.
Tuy nhiên, cần lưu ý rằng mặc dù các đường viền thận ba chiều được tạo ra như một phần của nghiên cứu này, nhưng dự đoán cho mỗi bệnh nhân mới (tức là tách biệt với việc đào tạo) chỉ cần xác định một khối giới hạn thô xung quanh (các) quả thận. . Các thuật toán để phân chia toàn bộ quả thận dựa trên học sâu đang được phát triển, điều này sẽ tạo điều kiện thuận lợi cho quá trình hoàn toàn tự động từ đầu đến cuối (23,24). Một hạn chế khác là sự không đồng nhất về mức độ xơ hóa trên một quả thận có thể là nguyên nhân gây ra lỗi trong tính đúng đắn và xác thực của thuật toán. Trong nghiên cứu này, chúng tôi quyết định ưu tiên đánh đổi việc bao gồm nhiều dữ liệu có khả năng gây nhiễu hơn (toàn bộ thận đã được phân đoạn) thay vì sử dụng một lượng nhỏ dữ liệu sạch; về mặt thực nghiệm, chiến lược này phổ biến trong các nhiệm vụ học sâu dữ liệu lớn và quan sát của chúng tôi về AUC dự đoán thuật toán là 0.911 cho thấy mức độ nhiễu do chiến lược này gây ra là khiêm tốn. Việc sàng lọc trong tương lai của các thuật toán dự đoán CNN này sẽ được khám phá thông qua việc kết hợp các giá trị xét nghiệm lâm sàng liên quan đến CKD, chẳng hạn như creatinine, hormone tuyến cận giáp và huyết sắc tố. Trong khi chờ các tập dữ liệu lớn hơn, đầu ra thuật toán có thể được tối ưu hóa hơn nữa để bao gồm việc tạo nhóm định lượng mở rộng hơn(mức độfitình trạng sưng tấy,25%, 25%–50%, 50%–75% và.75%). Cuối cùng, thuật toán hiện tại đã được huấn luyện và hợp lệđược ghi ngày trên dữ liệu từ một tổ chức duy nhất, công việc tiếp theo làcần thiết để đánh giá khả năng khái quát hóa ngoài phạm vi nghiên cứuđoàn hệ bệnh nhân.
Theo hiểu biết của chúng tôi, nghiên cứu AIRS là nghiên cứu đầu tiên sử dụng mô hình CNN để dự đoán mức độ xơ hóa thận từ quá trình quét hình ảnh. Các kết quả đầy hứa hẹn và cung cấp mộtcơ sở để thử nghiệm các công cụ CNN này trong các thử nghiệm tiềm năng, đểxác nhận tiện ích của chúng trong việc ra quyết định lâm sàng khi nó đượckhông rõ liệu một bệnh nhân'bệnh thận là cấp tính so với

mãn tính.


kidney function

Tiết lộ

J. Zuckerman báo cáo có thỏa thuận tư vấn với Leica Biosystems; báo cáo nhận tiền thù lao từ ApotheCom; và báo cáo là cố vấn khoa học hoặc thành viên của Bệnh học phác thảocom. P. Chang báo cáo có thỏa thuận tư vấn với vànhận tài trợ nghiên cứu từ Canon Medical; và báo cáo cócó quyền sở hữu Avicenna.ai. WL Lau báo cáo cóthỏa thuận tư vấn với Ardelyx và Fresenius; báo cáonhận được tài trợ nghiên cứu từ Hiệp hội Tim mạch Hoa Kỳ,Hub Therapeutics và Viện Y tế Quốc gia; Và

báo cáo nhận được thù lao từ Roche Australian Nephrology Preceptorship. Tất cả các tác giả còn lại không có gì để tiết lộ.



Kinh phí

Dự án này được tài trợ bởi Đại học California, Giải thưởng Chủ tịch Nghiên cứu của Khoa Y Irvine 2019–2021.

Lời cảm ơn Các tác giả cảm ơn Tiến sĩ Anthony Sisk (Khoa Bệnh lý và Phòng thí nghiệm Y học, Trường Y David Geffen, Đại học California Los Angeles) vì đã đánh giá một cách mù quáng vềbệnh nhân sinh thiết trái ngược nhau để xác định sự thật cơ bản.



Sự đóng góp của tác giả

WL Lau đã lên ý tưởng cho nghiên cứu này; C. Chantaduly, K. Perez Reyes, H. Troutt và J. Zuckerman chịu trách nhiệm quản lý dữ liệu; P. Chang, C. Chantaduly và J. Zuckerman chịu trách nhiệmđể phân tích chính thức; WL Lau chịu trách nhiệm vềmua lại tài trợ; C. Chantaduly và K. Perez Reyes đãchịu trách nhiệm điều tra; P. Chang, C. Chantaduly và J.Zuckerman chịu trách nhiệm về phương pháp luận; WL Lau vàH. Troutt chịu trách nhiệm quản lý dự án; P.Changchịu trách nhiệm về tài nguyên và phần mềm; P. Chang và WLLau cung cấp sự giám sát; C. Chantaduly và H. Troutt đã viếtdự thảo gốc; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,và H. Troutt đã xem xét và chỉnh sửa bản thảo.


Người giới thiệu

1. Luciano RL, Moeckel GW: Cập nhật về sinh thiết thận tự nhiên: Chương trình giảng dạy cốt lõi 2019. Am J Kidney Dis 73: 404–415, 2019 https://doi.org/10.1053/j.ajkd.2018.10.011

2. Hogan JJ, Mocanu M, Berns JS: Sinh thiết thận tự nhiên: Cập nhật và bằng chứng cho phương pháp thực hành tốt nhất. Phòng khám J Am Sóc Nephrol 11: 354–362, 2016https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Chẩn đoán và đánh giá bệnh xơ hóa thận: Công nghệ tiên tiến. Swiss Med Wkly 147: w14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; Nhóm công tác về miễn dịch thận ERA-EDTA: Sinh thiết thận năm 2015: Từ dịch tễ học đến các chỉ định dựa trên bằng chứng. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Thực hành sinh thiết thận: Tiêu chuẩn vàng là gì? Thế giới J Nephrol 3: 287–294, 2014 https://doi.org/10. 5527/wjn.v3.i4.287

6. Poggio ED, McClelland RL, Blank KN, Hansen S, Bansal S, Bomback AS, Canetta PA, Khairallah P, Kiryluk K, Lecker SH, McMahon GM, Palevsky PM, Parikh S, Rosas SE, Tuttle K, Vaz quez MA , Vijayan A, Rovin BH; Dự án Y học Chính xác về Thận: Đánh giá có hệ thống và phân tích tổng hợp các biến chứng sinh thiết thận tự nhiên. Clin J Am Sóc Nephrol 15: 1595–1602, 2020 https://doi.org/10.2215/CJN.04710420

7. Abdeltawab H, Shehata M, Shalaby A, Khalifa F, Mahmoud A, El-Ghar MA, Dwyer AC, Ghazal M, Hajjdiab H, Keynton R, El-Baz A: Một hệ thống CAD mới dựa trên CNN để đánh giá sớm khả năng rối loạn chức năng thận ghép. Đại diện khoa học 9: 5948, 2019 https:// doi.org/10.1038/s41598-019-42431-3

8. Wang Z, Yang H, Suo C, Wei J, Tan R, Gu M: Ứng dụng siêu âm đàn hồi trong điều trị rối loạn chức năng ghép tạng mãn tính trong ghép thận. J Siêu âm Med 36: 1759–1769, 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€utter-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: Siêu âm ghép thận cùng loại: Mối tương quan giữa chỉ số sức cản siêu âm doppler (RI) và histopa thology. Clin Hemorheol Microcirc 70: 413–422, 2018 https:// doi.org/10.3233/CH-189306

10. Kuo CC, Chang CM, Liu KT, Lin WK, Chiang HY, Chung CW, Ho MR, Sun PR, Yang RL, Chen KT: Tự động hóa dự đoán và phân loại chức năng thận thông qua hình ảnh thận dựa trên siêu âm sử dụng học sâu. Chữ số Med 2: 1–9, 2019

















Bạn cũng có thể thích