AbstraktsPriekšvēsture Mākslīgā intelekta mērķisNieru rētas(AIRS) pētījuma mērķis ir izstrādāt mašīnmācīšanās rīkus neinvazīvai kvantitatīvai noteikšanainieru fibrozeno attēlveidošanas skenēšanas. Metodes Mēs veicām retrospektīvu analīzi pacientiem, kuriem bija viena vai vairākas vēdera dobuma datortomogrāfijas (CT) skenēšanas 6 mēnešu laikā pēcnieru biopsija. Pēdējā kohortā ietilpa 152 CT skenējumi no 92 pacientiem, kas ietvēra 300 vietējo nieru un 76 attēlus.transplantācijas nieres. Divas dažādas konvolūcijasneironu tīkli(šķēles līmeņa un vokseļu līmeņa klasifikatori) tika pārbaudīti, lai atšķirtu smagu un vieglu/vidēju smagumu.nieru fibroze($50% pret 50%).Intersticiāla fibrozeun tubulārās atrofijas rādītāji nonieru biopsijaziņojumi tika izmantoti kā patiesība. Rezultāti Abi mašīnmācīšanās modeļi uzrādīja līdzīgu pozitīvu paredzamo vērtību ({{0}}.886 pret 0.935) un precizitāti (0.831 pret 0.879). Secinājumi Kopumā mašīnmācīšanās algoritmi ir daudzsološs neinvazīvs diagnostikas rīkskvantitatīvi noteikt nieru fibrozino CT skenēšanas. Šo prognozēšanas rīku klīniskā lietderība, lai izvairītos no nieru biopsijas un ar to saistītā asiņošanas riska pacientiem ar smagu fibrozi, vēl ir jāapstiprina perspektīvajos klīniskajos pētījumos.
CIK ILGS IR VAJADZĪGS, LAI CISTANČE STRĀDĀS NIERU PACIENTIEM?
Ievads
Ultraskaņas vadīta perkutāna nieru biopsija joprojām ir aprūpes standarts, ja ir nepieciešama histoloģiskā diagnoze, lai vadītu proteīnūriju, mikroskopisku hematūriju, transplantāta atgrūšanu vai neizskaidrojamu nieru disfunkciju (1, 2). Nieru fibrozes vai HNS smaguma pakāpe nieru biopsijas laikā bieži nav zināma (3). Nieru biopsija, kas atklāj smagu (.50%) fibrozi, var precizēt slimības diagnozi, taču maz ticams, ka tas mainīs klīnisko pārvaldību un pakļauj pacientiem ar procedūru saistītas asiņošanas risku (4). Komplikācijas pēc biopsijas svārstās no pārejošas hematūrijas līdz dzīvībai bīstamai asiņošanai un korelē ar riska faktoriem, kas ietver paaugstinātu asinsspiedienu, paaugstinātu vecumu, anēmiju, zemu trombocītu skaitu, samazinātu nieru darbību un hemostāzes anomālijas (5). Nesenā metaanalīzē par 118,064 ar ultraskaņu vadītām nieru biopsijām tika ziņots par asins pārliešanas, angiogrāfiskās iejaukšanās un nāves gadījumu biežumu attiecīgi 2%, 0,3% un 0,06% (6).
HNS smaguma novērtēšana ir ļoti svarīga, apsverot nieru biopsijas risku un ieguvumus, taču neinvazīvie instrumenti fibrozes pakāpes novērtēšanai nav pietiekami izstrādāti (7). Pētījumos, kuros tika pētītas ultraskaņas metodes (tostarp bīdes viļņu ātruma attēlveidošana, pārejoša elastogrāfija, reāllaika elastogrāfija, Doplera sonogrāfija un ultraskaņas kortikomedulārais celms), ir konstatēta nekonsekventa korelācija ar fibrozes pakāpi nieru histoloģijā (3, 8, 9). Turklāt šīs metodes ir ļoti atkarīgas no ārējiem faktoriem, piemēram, asinsspiediena, nieru svara, ķermeņa svara un pielietotā devēja spēka, nemaz nerunājot par lielo iekšējo un starpnovērotāju mainīgumu (3). Nesenais ziņojums atklāja ciešu korelāciju starpar ultraskaņu noteikts nieru izmērs ar aprēķināto nieru funkciju (eGFR), bet netika novērtētsnieresfibroze(10). Kirpalani et al. ziņoja, ka magnētiskās rezonanses attēlveidošanas elastogrāfija bija daudzsološa attiecībā uz stīvuma rādītāju korelāciju ar nieru fibrozi (11), bet neizpētīja mašīnmācības rīkus kā līdzekli prognozēšanas precizitātes optimizēšanai.
Datortomogrāfija (CT) ļauj iegūt augstas izšķirtspējas nieru audu attēlveidošanu ar minimālu starojuma iedarbību uz pacientu (7). Mašīnmācīšanās tehnoloģija kombinācijāDT attēlveidošana ir daudzsološs risinājums neinvazīvs nieru novērtējumsfibrosis, pašreizējā vietāhistoloģiskais aprūpes standarts. Dziļi mācīšanās konvolucionālineironu tīkli (CNN) ir jauns mašīnmācīšanās veidskas var nošķirt atbilstošos modeļus no viņatoloģija, attēlveidošana vai citi klīniskie dati, kas ir noderīgi slimībai
raksturojums (12,13). CNN tehnoloģija diagnostikai ir pētīta dažādos apstākļos, sākot no intrakraniālas asiņošanas un vēža līdz pneimonijai unapendicīts (14-17).
Mākslīgā intelekta nieru rētu (AIRS) pētījuma mērķis ir izstrādāt CNN rīkus, lai kvantitatīvi noteiktu nieru fibrozi kā datorizētu diagnostikas alternatīvu nieru biopsijai. Divi CNN algoritmi (šķēles līmeņa un vokseļu līmeņa klasifikatori) tika apmācīti, lai analizētu vietējo un transplantēto nieru CT attēlveidošanu, lai klasificētu fibrozes pakāpi, pamatojoties uz fibrozes rādītājiem, kas iegūti no nieru biopsijām tiem pašiem pacientiem. Šajā izmēģinājuma analīzē mēs koncentrējāmies uz vieglas/vidēji smagas un smagas (50% pret $50%) fibrozes nošķiršanu kā klīniski nozīmīgu dihotomiju, kas var būt noderīga nefrologam, apsverot nieru biopsiju savam pacientam. Mēs parādām, ka CNN algoritmi var ar augstu precizitātes pakāpi atšķirt smagu no vieglas/vidēji smagas nieru fibrozes.
Materiāli un metodes
Pacientu datu bāze Šī bija retrospektīva nieru biopsiju analīze, kas veikta Kalifornijas Universitātes Īrvinas Medicīnas centrā laika posmā no 2014. līdz 2019. gadam. Mēs identificējām pacientus, kuriem vēdera dobuma CT skenēšana bija USD 1, kas tika veikta 6 mēnešu laikā pēc nieru biopsijas. Pēc medicīniskās dokumentācijas sistēmas sākotnējās skrīninga 42 pacienti, kuriem tika veikta attēlveidošana, tika izslēgti šādu iemeslu dēļ: CT skenēšana veikta ārpus iekļaušanas perioda (.6 mēneši no biopsijas datuma, n53); vēdera dobuma magnētiskās rezonanses attēlveidošana, bet sistēmā nav atrasta CT (n56); pacienti netīšām izlaiduši anotācijas procesu (n52); vietējās nieres, kas nav segmentētas pacientam, kuram bija veikta transplantācija (n51); zemas kvalitātes skenēšana ar aparatūras artefaktu (n51); un ārpus attēlveidošanas pētījumiem, kas netika glabāti ilgtermiņa attēlveidošanas arhīvos (n529). Atlikušie 152 CT skenējumi no 92 pacientiem tika lejupielādēti, un aksiālais mīksto audu rekonstruētais tilpums tika iegūts turpmākai analīzei. Lielākā daļa CT skenējumu (79%) tika veikti bez intravenozas kontrastvielas; 129 skenējumi tika veikti ar Philips skeneri, 22 ar Siemens skeneri un viens ar GE Medical Systems skeneri.
Patologs (JEZ) pārskatīja nejaušu pacientu atlasi, lai apstiprinātu, ka fibrozes pakāpe ir precīzi dokumentēta nieru biopsijas ziņojumos. Pretrunīgiem pacientiem otrs patologs pārskatīja slaidus, lai noteiktu patiesību (skatīt Pateicības). Nieru fibrozes pakāpe, kas iegūta no biopsijas ziņojumiem, tika uzskatīta par bināru iznākumu: viegla/mērena pret smagu (intersticiāla fibroze un tubulāra atrofija, 50% pret $ 50%). Vietējās nieres CT skenējumos no pacientiem, kuri tika transplantēti, automātiski tika novērtēti kā smaga fibroze. Demogrāfiskie un blakusslimību apstākļi tika apkopoti REDCap datu bāzē, un CT attēliem tika piekļūts, kā aprakstīts tālāk. Visas pētniecības procedūras apstiprināja Kalifornijas Universitātes Irvinas Institucionālā pārskata padome.
Anotācija
CT skenējumi tika pārsūtīti no mūsu slimnīcas attēlu arhivēšanas un sakaru sistēmas uz drošu iekšējo datu bāzi. Pielāgots patentēts tīmekļa anotācijas rīks tika izmantots, lai izveidotu pamatpatiesības trīsdimensiju binārās maskas, kas atbilst vietējām labās un kreisās nierēm, kā arī jebkādām nieru transplantācijām, ja tādas ir. Anotācijas rīks tika ieviests kā vienkārša otu utilīta bez sliekšņa vai uzlabotas konturēšanas funkcionalitātes. Divi studentu pētnieki (HRT, KAPR) kalpoja par galvenajiem anotatoriem, un vecākais radiologs (PDC) pēc tam pārskatīja katru pacientu un vajadzības gadījumā precizēja interesējošās anotācijas.
Attēla pirmapstrāde
Izmantojot anotētās nieres tilpuma maskas kā veidni, katra niere tika apgriezta un atkārtoti iegūta līdz izotropiskam 96 3 96396 vokseļa tilpumam. Šī resampling operaTas bija nepieciešams, lai nodrošinātu, ka visām modeļa ieejām ir vienāda matricas izmēra un lai pielāgotos grafikas apstrādes bloka atmiņas ierobežojumiem. Ņemot vērā apjomus bijavispirms tika apgrieztas labās un kreisās nierēs un ka nieres veido tikai nelielu daļu no sākotnējā CT tilpuma, galīgie atkārtoti atlasītie vokseļu izmēri bija līdzīgi.sākotnējo datu atrisinājumu. Katrs apgrieztais tilpums tika normalizēts, apgriežot visas vokseļu vērtības diapazonā no 2150 līdz 250 Hounsfīldas vienībām un mērogots ar koeficientu 1:50. Jebkuršviens eksāmens šajā datu kopā var ietvert līdz trim atsevišķām apgrieztām nierēm, ko izmanto algoritmu apmācībai: (vietējā) kreisā, (vietējā) labā un transplantācijas. Katram atsevišķam bērnamNey, kopā apmācībā tika izmantoti 96 divdimensiju (2D) attēli (izmērā 96396).
CNN pieeja
Tika pārbaudīti un salīdzināti divi dažādi pielāgoti 2D CNN tīkli, lai atšķirtu smagu no vieglas/vidēji smagas nieru fibrozes. Pirmais algoritms ir standarta globālais algoritmsŠķēles pa šķēlei CNN klasifikators, kas paredzēts, lai prognozētu vienu no trim savstarpēji izslēdzošām kategorijām katram 2D attēlam: bez nierēm, viegla/mērena fibroze un smaga fibroze. Theotrais algoritms ir pikseļu līmeņa CNN klasifikators, kas ieviests, izmantojot pilnībā konvolucionālu U-Net arhitektūru, lai veiktu vienlaicīgu segmentēšanu un klasifikāciju. In
abos modeļos galīgajā klasifikācijā netiek ņemti vērā šķēlumi vai vokseļi bez nierēm, un pārējām prognozēm tiek apkopots vairākuma noteikums. Tiek realizēti abi algoritmiizmantojot vismodernāko saspiešanas un ierosināšanas tīkla arhitektūru, kas ir ImageNet liela mēroga vizuālās atpazīšanas izaicinājuma vislabākās veiktspējas modelis 2017. gadā (18).Saspiešanas un ierosināšanas tīkla pieeja ļauj tīkliem adaptīvi pārkalibrēt kanāla līmeņa funkciju reakcijas, pamatojoties uz dažādiem modeļa ievadiem, mācoties
kanālu savstarpējās atkarības (1. attēls).
1. attēls.|Prognozes siltuma kartes, ko ģenerē dziļās mācīšanās algoritms, identificējot apgabalus, kuros ir aizdomas par "smagu" fibrozi nierēs. No kreisās uz labo pusi redzamas nieres, sākot no normālas līdz smagai fibrozei, ar progresējošu fibrotiskās parenhīmas pakāpi. Galīgās vidējās softmax normalizētās prognozes visai nierei ir parādītas apakšējā rindā, sākot no 0.0 līdz 0.2; 0.2–0.4;{0}}.4–0.6; 0.6–0.8; un 0,8–1,0.
Globālais šķirņu klasifikators
Globālais CNN klasifikators ir pielāgota VGG atvasināta arhitektūra, kas ieviesta ar izspiešanas ierosmes moduļiem katrā slānī. Modeļa ievade ir viena 2D (96396) daļaun modeļa izvade ir trīs elementu logit vektors, kas attēlo trīs klašu prognozi. CNN sastāv no četriem konvolucionālajiem blokiem, kur katrs bloks ir definēts kā 333konvolūcija, partijas normalizācija un ReLU kopumā atkārtoja trīs reizes. Apakšparaugu ņemšana tiek veikta katra bloka beigās, izmantojot konvolūciju ar divu soli. Pēc
četri konvolucionālie bloki (12 slāņi), galīgā objektu karte ir saplacināta un tiek izmantota kā ievade vienā pilnībā savienotā slānī.
Vokseļu līmeņa klasifikators
Vokseļu līmeņa CNN klasifikators ir pielāgota U-Netderived arhitektūra, kas īstenota ar izspiešanas ierosmes moduļiem katrā slānī (19). Modeļa ievade ir viena 2D (96396) šķēle, un modeļa izvade ir viena 2D (96396) segmentācijas maska ar trīs klašu prognozi katrā vokseļa vietā. CNN sastāv no četriem saraujošiem konvolucionālajiem blokiem, kur katrs bloks ir definēts kā 333 konvolucija, partijas normalizācija un Leaky ReLU, kas kopumā atkārtojas trīs reizes. Apakšparaugu ņemšana tiek veikta katra bloka beigās, izmantojot konvolūciju ar divu soli. Pēc četriem konvolucionālajiem blokiem (12 slāņiem) darbības tiek apgrieztas, izmantojot identisku tīkla arhitektūru, aizstājot straujās konvolucijas (apakš-paraugu ņemšana) ar konvolucionālām transponēšanām (upsampling).
Neironu tīkla ieviešana
Lai optimizētu abus modeļus, tiek izmantota softmax crossentropy loss funkcija. Optimizācija tika veikta, izmantojot Adam tehniku (20) ar eksponenciālo samazinājuma ātrumu, b1 un b2, iestatītsattiecīgi uz {{0}}.9 un 0,999. Mācību ātrums ir iestatīts uz 131023. Partijas lielums ir iestatīts uz astoņiem, kopā ar 25,000 apmācības atkārtojumiem. Lai inicializētu, tiek izmantota Xavier normalizācijasvari pirms treniņa (21). Algoritma kods tika uzrakstīts Python 3.6, TensorFlow 2.1.0 bibliotēkā un Keras 1.0.8 bibliotēkā. Tīkls ir apmācīts mūsu iekšējā grafikas apstrādes bloku klasterī, kurā ir 48 Nvidia GeForce RTX 2080 Ti un 12 GeForce RTX Titans. Vidēji globālais klasifikators vienam eksperimentam trenējās 30 minūtes, savukārt vokseļu klasifikators vienā eksperimentā trenējās 2–4 stundas.
Novērtēšana
Apmācības procesa novērtēšanai tika izmantota pieckārtīga savstarpējās validācijas stratēģija. Lai gan līdz pat trim dažādām nierēm no katra pacienta ārstēšanas laikā tika ārstētas individuāliapmācības procesā visi viena pacienta apjomi tiek stratificēti vienā un tajā pašā savstarpējās validācijas grupā, lai novērstu datu noplūdi. Datu kopa tika sadalīta 80:20 un pēc tam apmācīta80%, bet pārējie 20% tika izmantoti apstiprināšanai. Apmācība tika atkārtota piecas reizes kopā ar dažādiem 80:20 sadalījumiem, līdz visa datu kopa tika pilnībā apstiprināta
Papildus eksperimentiem ar visu datu kohortu tika veiktas papildu apakškohortas analīzes, lai novērtētu iespējamos mulsinošos mainīgos. Tika piemērota stratifikācijapamatojoties uz intravenozas kontrastvielas statusu un atrofisku native nieru izslēgšanu pacientiem, kuriem veikta transplantācija. Turklāt, lai novērtētu modeļa vispārināmību, models apmācīti tikai no Philips un GE skeneriem, tika apstiprināti tikai ar datiem no Siemens skeneriem.
Statistika
Mūsu pētījuma mērķis bija nieru CT attēlveidošanā atšķirt vieglu / vidēji smagu fibrozi no smagas fibrozes. Vairākuma noteikums tika izmantots abās pieejās (globālā šķēle pa šķēleiun pamatojoties uz vokseļiem), lai noteiktu smaguma pakāpifibrosis.Lai novērtētu abu pieeju veiktspēju,precizitāte, jutība, specifikafipilsēta, pozitīva paredzamā vērtība(PPV) un negatīvā paredzamā vērtība (NPV) tika aprēķinātinovēlēts un salīdzināts. Darbības zona zem uztvērējalīkne (AUC) tika arī aprēķināta, mainot softmaxpunktu slieksnifibrosis classifikatjonu un rezultātuabām pieejām salīdzināšanai novilkta līkne. Aprakstsstatistiku ziņo kā vidējo6SD.
