Ứng dụng của học sâu để phân đoạn tự động các nguyên thủy mô học thận

Liên hệ: Audrey Hu (Whatsapp: 008613880143964) Email:audrey.hu@wecistanche.com

PHẦN Ⅱ: Phát triển và đánh giá phân đoạn dựa trên học sâu của cấu trúc mô học trong vỏ thận với nhiều vết mô học

Catherine P.Jayapandian, Yiiang Chen, Andrew R. Janowczyk & cộng sự.

Việc áp dụng học sâu để phân đoạn tự động (xác định ranh giới) các nguyên thủy (cấu trúc) mô học từ toàn bộ hình ảnh slide có thể tạo điều kiện thuận lợi cho việc thiết lập các quy trình mới để đánh giá sinh thiết thận. Tại đây, chúng tôi đã phát triển và xác nhận mạng lưới học sâu để phân đoạn cấu trúc mô học trên sinh thiết thận và ung thư trực tràng. Để phát triển, chúng tôi đã kiểm tra 125 mẫu sinh thiết cho Bệnh Thay đổi Tối thiểu được thu thập trên 29 trung tâm ghi danh NEPTUNE cùng với 459 hình ảnh toàn bộ slide được nhuộm bằng Hematoxylin & Eosin (125), Periodic Acid Schiff (125), Silver (1 0 2), và Trichrome (1 0 7) được chia thành các nhóm đào tạo, xác thực và thử nghiệm (tỷ lệ 6: 1: 3). Các cấu trúc mô học được phân đoạn theo cách thủ công (tổng cộng 3 0 0 48 chú thích) bởi năm nhà bệnh học thận học. Hai mươi mô hình học sâu đã được đào tạo với độ phóng đại kỹ thuật số tối ưu trên các cấu trúc và vết bẩn. Hình ảnh toàn bộ trang trình chiếu được nhuộm màu Acid Schiff định kỳ mang lại sự phù hợp tốt nhất giữa các nhà nghiên cứu bệnh học và phân đoạn học sâu trên tất cả các cấu trúc (điểm F: 0. 93 đối với các búi cầu thận, 0. 94 đối với búi cầu thận cộng với nang Bowman, 0,91 đối với ống lượn gần, 0,93 đối với đoạn ống lượn xa, 0,81 đối với mao mạch phúc mạc và 0,85 đối với động mạch và tiểu động mạch hướng tâm). Độ phóng đại kỹ thuật số tối ưu là 5 lần đối với búi / chùm cầu thận cộng với viên nang Bowman, 10 lần đối với ống gần / xa, động mạch và tiểu động mạch hướng tâm , và 40X đối với mao mạch phúc mạc. Toàn bộ hình ảnh slide được nhuộm màu bạc mang lại hiệu suất học sâu kém nhất. Tất cả dữ liệu được sử dụng để đào tạo và kiểm tra cũng như hướng dẫn trực tuyến chi tiết sẽ được công bố rộng rãi.

thảo mộc cải thiện chức năng thực sự:cistanche

BẤM VÀO ĐÂY ĐỂ THAM GIA Ⅰ

THẢO LUẬN

Việc đánh giá sinh thiết thận là duy nhất so với các mẫu bệnh phẩm phẫu thuật khác vì sự đa dạng của các vết bẩn được sử dụng thường xuyên. Đánh giá hình thái dựa vào chất lượng của các chế phẩm, các nhà nghiên cứu bệnh học sẽ phát hiện ra các cấu trúc riêng lẻ và những thay đổi liên quan, và các phép đo định lượng hoặc bán định lượng được sử dụng để nắm bắt mức độ tổn thương của mô. Đánh giá định lượng mô học trực quan như đếm, phân bố và đo hình thái của một số nguyên thủy mô học nhất định được biết đến là những yếu tố tiên đoán mạnh mẽ về kết quả của các bệnh thận khác nhau.10, 17-23 Tuy nhiên, phân tích định lượng vẫn là một thách thức đối với mắt người. Một số nguyên thủy này (ví dụ, mao mạch phúc mạc) không thể được đo lường bằng mắt hoặc bằng tay và cần có sự hỗ trợ của các thuật toán tính toán. Các nghiên cứu gần đây đã gợi ý rằng các công cụ thị giác máy tính có thể đóng vai trò là công cụ hỗ trợ phân tích và quyết định để chẩn đoán bệnh bằng bệnh lý kỹ thuật số.

24~27

Do đó, các công cụ phân tích hình ảnh tự động cần được triển khai và tích hợp vào quy trình làm việc bệnh lý để phân đoạn hiệu quả và đáng tin cậy các nguyên thủy mô học trên nhiều loại vết bẩn. Các công cụ phân đoạn DL có thể tạo điều kiện thuận lợi đáng kể cho việc xác định không chỉ các đặc điểm mô hình học trực quan mà còn cả dưới mắt (ví dụ: các đặc điểm hình dạng, kết cấu và đồ thị) để tương quan với chẩn đoán và kết quả.280 Nghiên cứu này cố gắng giải quyết những thách thức của bệnh lý thận tính toán đối với thẩm vấn mô quy mô bằng cách cung cấp các thuật toán DL để chú thích kỹ lưỡng 6 nguyên thủy mô học trên nhu mô thận của bệnh thay đổi tối thiểu (MCD), sử dụng toàn bộ hình ảnh slide (WSI) của 4 vết và được tạo ra trên 29 trung tâm ghi danh NEPTUNE. Trong vài năm qua, một số nghiên cứu đã chứng minh tiện ích của mạng DL đối với phân tích hình ảnh cấp thấp (tức là phát hiện, phân đoạn và phân loại các nguyên thủy mô học) và các nhiệm vụ tiên lượng và dự đoán phức tạp cấp cao. 1-35 Nghiên cứu của chúng tôi là nghiên cứu DL toàn diện, lớn nhất về sinh thiết thận, trình bày các thuật toán được phát triển trên các vết bẩn khác nhau và sử dụng một số lượng lớn các hình ảnh được chú thích, so với những hình ảnh đã được công bố trước đây. Những kết luận chính và những kết quả quan trọng từ công việc của chúng tôi được mô tả tiếp theo.

So sánh với tài liệu hiện tại

Sự khác biệt giữa các nghiên cứu trước đây 36–44 và những đóng góp của chúng tôi được tóm tắt trong Hình S6 Bổ sung.

Các nghiên cứu được công bố trước đây tập trung vào một nguyên thủy mô học và một vết đơn lẻ. Ví dụ, Marsh et al. CNNs đã đánh giá để phát hiện xơ vữa cầu thận toàn cầu trong các phần thận đông lạnh cấy ghép nhuộm H & E36; Kanna và cộng sự. Các CNN đã đánh giá để phân biệt các cầu thận bình thường, phân đoạn và xơ cứng toàn cầu với các phần thận nhúng bằng formalin được nhuộm trichrome và paraffifin37; Gallego và cộng sự. áp dụng DL để phát hiện cầu thận trên mặt cắt nhuộm PAS; Bel

Các nghiên cứu được công bố trước đây tập trung vào một nguyên thủy mô học và một vết đơn lẻ. Ví dụ, Marsh et al. CNNs đã đánh giá để phát hiện xơ vữa cầu thận toàn cầu trong các phần thận đông lạnh cấy ghép nhuộm H & E36; Kanna và cộng sự. Các CNN đã đánh giá để phân biệt các cầu thận bình thường, phân đoạn và xơ cứng toàn cầu với các phần thận nhúng bằng formalin được nhuộm trichrome và paraffifin37; Gallego và cộng sự. áp dụng DL để phát hiện cầu thận trên mặt cắt nhuộm PAS; Bel và cộng sự. đã chứng minh phân đoạn cấu trúc mô học bình thường và bệnh lý bằng cách sử dụng WSI nhuộm PAS của mô vỏ não cắt thận.Temerinac Ott et al. trình diễn phương pháp tiếp cận DL để cải thiện khả năng phát hiện cầu thận trên 1 lần nhuộm bằng cách sử dụng kết quả từ các phần được nhuộm khác nhau của cùng một mô.1 Mạng DL của chúng tôi trên tất cả 4 vết nhuộm đại diện cho bước đầu tiên để triển khai lâm sàng trong tương lai cho phép phát hiện, phân đoạn và cuối cùng là định lượng một số bình thường nguyên thủy mô học trong tất cả các vết bẩn thường được sử dụng cho mục đích chẩn đoán.

Một yếu tố quan trọng khác cần được xem xét trước khi sử dụng chúng trong các mạng DL quy mô lớn là cách chúng có thể được áp dụng cho các tập dữ liệu không đồng nhất. Các mô hình DL của chúng tôi đã được đào tạo và thử nghiệm trên một bộ WSI rất không đồng nhất với các biến thể phân tích trước trong việc thu nhận, xử lý mô và chuẩn bị slide bằng cách sử dụng 4 vết bẩn, do đó tạo điều kiện thuận lợi cho việc đánh giá chặt chẽ khả năng ứng dụng của phương pháp DL trong môi trường nhiều trang.

Các phương pháp tiếp cận DL khác nhau đã được sử dụng để phân đoạn các nguyên thủy mô học, chẳng hạn như ứng dụng của Gadermayr và cộng sự về mạng lưới sâu đối diện chung để phân đoạn cầu thận độc lập với vết. Bel và cộng sự. đã sử dụng các mạng đối phương sinh ra nhất quán theo chu kỳ (chu trình-GAN) trong các ứng dụng DL để biến đổi vết đa trung tâm. Hermsen và cộng sự. đã chứng minh phân đoạn dựa trên U-Net của 7 lớp mô bằng cách sử dụng 40 sinh thiết cấy ghép trên vết PAS.

Tất cả các công trình trước đây đã sử dụng số lượng WSI của sinh thiết thận / ung thư thận tương đối ít hơn so với nghiên cứu của chúng tôi (Bảng 2). cũng như số lượng các ví dụ đào tạo cần thiết để có hiệu suất mạng tốt nhất bằng U-Net CNNs (Hình 8).

Tính đặc hiệu của việc phân đoạn các nguyên thủy mô học riêng lẻ và sự biến đổi bệnh lý của chúng là rất quan trọng để triển khai các mô hình DL vào thực hành lâm sàng. nephrectomies, và có thể được áp dụng cho cả sinh thiết thận người lớn và trẻ em. Khi mạng lưới DL được thử nghiệm trên các mảng nhu mô thận từ các bệnh phẩm cắt thận, tính đặc hiệu cho các nguyên thủy mô học bình thường về cấu trúc vẫn được duy trì. Khung DL được trình bày trong nghiên cứu này cũng sẽ cho phép kiến ​​trúc mạng lưới trong tương lai đặc biệt tập trung vào phân đoạn tự động và đánh giá các nguyên thủy mô học bất thường về cấu trúc và mối tương quan của chúng với kết quả lâm sàng.

cải thiện chức năng thận: chiết xuất cistanche tubulosa

Xếp hạng dựa trên DL của các vết bẩn khác nhau

Nghiên cứu của chúng tôi cho thấy rằng vết PAS phù hợp nhất để xác định các nguyên thủy mô học bình thường về cấu trúc bằng cách sử dụng mô hình U-Net. Điều này có thể là do PAS dường như đồng nhất hơn trong các phòng thí nghiệm giải phẫu bệnh so với TRI hoặc SIL. WSI nhuộm PAS làm nổi bật các màng nền của các cấu trúc khác nhau, do đó cung cấp định nghĩa vượt trội về ranh giới của từng nguyên thủy đơn lẻ được phân đoạn. Vì lý do này, PAS là vết bẩn duy nhất được sử dụng để phân đoạn các mao mạch phúc mạc. Trên cơ sở kết quả của chúng tôi, các vết PAS và H&E cho thấy hiệu suất tốt hơn đối với phân đoạn đơn vị và búi cầu thận, PAS và TRI đối với động mạch / tiểu động mạch, PAS và SIL đối với các đoạn ống và PAS đối với mao mạch phúc mạc. Độ phóng đại kỹ thuật số tối ưu cho các kiểu máy DL

Kết quả của chúng tôi gợi ý rằng với kích thước miếng dán thống nhất là 256 × 256, độ phóng đại tối ưu cho các mô hình DL là 5 × cho cầu thận, 10 × cho ống và mạch và 40 × cho mao mạch (Hình 1). phù hợp với độ phóng đại mà các nhà bệnh lý học có xu hướng sử dụng khi chú thích các nguyên thủy riêng lẻ, ngoại trừ các cầu thận mà các nhà bệnh lý học đã sử dụng 15 × đến 20 ×. Các cấu trúc lớn hơn như cầu thận, ống và mạch được mạng phân đoạn chính xác hơn ở 5 × đến Độ phóng đại 10 × bất kể vết bẩn. Đối với các cấu trúc nhỏ hơn như mao mạch phúc mạc, cần có độ phóng đại kỹ thuật số lớn hơn (40 ×) để phân đoạn DL chính xác.

Hiệu suất phân đoạn DL trên các địa điểm và hiện vật Sự không đồng nhất của việc chuẩn bị mô và thiếu tiêu chuẩn hóa của phép phân tích đặc biệt thích hợp cho các nghiên cứu đa trung tâm, nơi vật liệu bệnh học được thu thập từ một số phòng thí nghiệm. đã được quan sát, mỗi cái đều có đóng góp khác nhau vào hiệu suất DL. Ví dụ, mặc dù nói chung các tạo tác mô có tác động hạn chế đến mạng DL, nhưng độ dày của mặt cắt dường như ảnh hưởng đến hiệu suất. Tác động của các hiện vật riêng lẻ cũng tương đối so với nguyên thủy về mặt mô học; ví dụ, các đồ tạo tác bằng thủy tinh cho thấy tác động tiêu cực nhẹ đến hiệu suất DL đối với động mạch / tiểu động mạch và ống lượn gần.

Ngoài ra, có sự thay đổi trong hiệu suất DL giữa các vị trí và sự biến đổi này dường như phụ thuộc vào nguyên sinh mô học (Hình S4 bổ sung).

Hiệu suất DL như một hàm của số lượng mẫu đào tạo

Dữ liệu định lượng của chúng tôi đã xác thực giả định trực quan rằng cần nhiều mẫu hơn đối với những nguyên thủy khó xác định bằng mắt hơn (ví dụ: động mạch / tiểu động mạch được cắt theo phương tiếp tuyến hoặc nguyên thủy ở rìa của vùng quan tâm [ROI]) (Hình 8). những nguyên thủy quá nhỏ hoặc đã được xác định (tức là mao mạch phúc mạc), việc quản lý và chú thích lặp lại là cần thiết để cải thiện độ chính xác của phân đoạn. Để phân đoạn các búi cầu thận, mạng lưới đã hội tụ đến độ chính xác tối đa với một số lượng nhỏ (60-183) người mẫu đào tạo; hiệu suất không được cải thiện với việc bao gồm các gương mẫu bổ sung. Đối với phân đoạn ống và động mạch / tiểu động mạch, các mạng lưới tương ứng cho thấy sự cải thiện hiệu suất từ ​​biên độ đến trung bình với số lượng mẫu ngày càng tăng. Ngược lại, sự gia tăng đáng kể điểm F và DSC (0. 27-0. 81) được quan sát thấy với sự gia tăng gấp 2,5 lần số lượng các mẫu mao mạch phúc mạc, một phạm vi tuyến tính của tăng điểm F cho thấy độ chính xác thậm chí còn tốt hơn với nhiều mẫu hơn.

Diễn giải kết quả phân đoạn

Một số kết quả dương tính giả được quan sát thấy ở các vùng quan tâm với các hiện vật (ví dụ: nếp gấp, màu không đồng đều), cho thấy nhu cầu đánh giá chất lượng kỹ thuật số của hình ảnh trang trình bày trước khi gọi các mô hình tính toán (Hình bổ sung S4). Trong một số ROI, DL dường như hoạt động tốt hơn các nhà bệnh lý học — ví dụ, khi một phần nhỏ của động mạch / tiểu động mạch nằm ở rìa của ROI và không được bác sĩ bệnh học chú thích bằng tay là sự thật cơ bản vì chúng khó phát hiện bằng mắt thường. Điều này có thể được giải thích bởi quy trình được sử dụng để phân đoạn các động mạch, trong đó các nhà bệnh lý học chỉ bao gồm các động mạch nơi thành (phương tiện tunica và thân) và lòng mạch có thể nhìn thấy được và phân chia ranh giới bên ngoài của phương tiện tunica. Do đó, các mô hình, được đào tạo để phát hiện môi trường tunica và nội mạc của động mạch đã xác định chính xác các mảnh nhỏ của phương tiện tunica (thành động mạch / thành tiểu động mạch bị cắt tiếp tuyến) là động mạch / tiểu động mạch mặc dù thiếu lòng mạch (Hình 9).

Ngoài ra, các ống ở phần sinh thiết thận thường thấy ở phần ngang hơn là phần dọc. Bộ phân loại ban đầu đã bỏ sót một số hình ống có mặt cắt dọc, chủ yếu là trên hình ảnh nhuộm màu H&E, bởi vì ranh giới hình ống kém sắc nét hơn và các hình ống cắt theo chiều dọc không được thể hiện đầy đủ trong tập huấn luyện ban đầu. Để tạo thuận lợi và cải thiện quá trình chú thích và mạng, các lỗi âm tính giả liên quan đến phân đoạn U-Net của các ống đã được nhà nghiên cứu bệnh học xác định bằng mắt và tinh chỉnh theo cách thủ công, đồng thời các chú thích cập nhật đã được trả về mạng. Một vài tiểu động mạch nhỏ cũng được thuật toán DL xác định không chính xác là ống xa (dương tính giả) trong lần lặp đầu tiên. Các chú thích dương tính giả này đã bị nhà nghiên cứu bệnh học loại bỏ sau khi xem xét kết quả đầu ra của bộ phân loại ban đầu và các hình ảnh đã chỉnh sửa được trả lại mạng để đào tạo lại mà không thay đổi thiết lập thử nghiệm hoặc các thông số mạng để loại bỏ dương tính giả và lỗi âm tính của thuật toán DL.45

Theo nguyên tắc chia sẻ hiện tại, với báo cáo này, chúng tôi đang cung cấp công khai tất cả dữ liệu của mình và các chú thích sự thật cơ bản kèm theo cho cộng đồng. Tài liệu bổ sung trực tuyến được phát hành như một phần của công trình này được kỳ vọng sẽ thúc đẩy lĩnh vực bệnh lý thận tính toán và cung cấp các phương pháp hay nhất để tạo chú thích, tăng cường, độ phóng đại ′ và các vết bẩn được đề xuất để thực hiện các nhiệm vụ phân đoạn một cách tối ưu.

Kết luận, nghiên cứu này đại diện cho một nền tảng vững chắc hướng tới việc sử dụng các bộ phân loại học máy để hỗ trợ các nỗ lực định lượng mô quy mô lớn và triển khai các giao thức tương tác của con người với máy móc trong quy trình làm việc về bệnh lý và lâm sàng. Việc phân đoạn DL của các nguyên thủy mô học cho phép tính toán các đặc điểm mô hình học để cho phép giải thích sinh thiết. Ngoài ra, khuôn khổ được trình bày trong công trình này cũng sẽ mở đường cho sự phát triển của các mạng DL mới trong tương lai đặc biệt hướng đến (i) các nguyên thủy mô học bất thường hoặc bệnh lý (tức là xơ cứng toàn cầu và phân đoạn, các đặc điểm tăng sinh cầu thận, ống góp, tĩnh mạch và dây thần kinh ngoại vi, teo ống thận, xơ hóa mô kẽ, và xơ cứng động mạch), (ii) vỏ thận và các khoang tủy, và (ii) phổ bệnh rộng hơn. Hơn nữa, những cách tiếp cận mới này có thể mở đường cho sự phát triển của các công cụ học máy cung cấp tiên lượng bệnh hoặc thậm chí tạo điều kiện thuận lợi cho việc khám phá dự đoán đáp ứng điều trị

Cistanche có hiệu quả đối với bệnh thận

Lưu ý: cistanche là một loại thảo mộc tobic mọc ở sa mạc. nó còn được gọi là thảo mộc rồng và nhân sâm sa mạc. Cistanche có nhiều tác dụng tuyệt vời đối với sức khỏe con người theo các nghiên cứu về bệnh như cải thiện khả năng miễn dịch, chống mệt mỏi và cải thiện chức năng thận… Thành Đô wecistanhce đang tập trung vào việc cung cấp các sản phẩm cistanche chất lượng cao.