ResumAntecedents L'objectiu de la Intel·ligència Artificial enCicatriu renal(AIRS) és desenvolupar eines d'aprenentatge automàtic per a la quantificació no invasiva defibrosi renald'exploracions d'imatges. Mètodes Hem realitzat una anàlisi retrospectiva de pacients que tenien una o més exploracions per tomografia computaritzada (TC) abdominal dins dels 6 mesos posteriors a unbiòpsia de ronyó. La cohort final va incloure 152 TC de 92 pacients, que incloïen imatges de 300 ronyons natius i 76trasplantament de ronyons. Dues convolucions diferentsxarxes neuronals(classificadors de nivell de tall i nivell de voxel) es van provar per diferenciar greus i lleus/moderatsfibrosi renal($50% versus, 50%).Fibrosi intersticiali puntuacions d'atròfia tubular debiòpsia de ronyóels informes es van utilitzar com a veritat bàsica. Resultats Els dos models d'aprenentatge automàtic van demostrar un valor predictiu positiu ({{0}},886 versus 0,935) i una precisió (0,831 enfront de 0,879). Conclusions En resum, els algorismes d'aprenentatge automàtic són una eina de diagnòstic no invasiva prometedoraquantificar la fibrosi renala partir de TAC. La utilitat clínica d'aquestes eines de predicció, en termes d'evitar la biòpsia renal i els riscos d'hemorràgia associats en pacients amb fibrosi severa, resta per validar en assaigs clínics prospectius.
QUANT TEMPS TREGA EL CISTANCHE A TREBALLAR ELS PACIENTS RENOLÓS?
Introducció
La biòpsia renal percutània guiada per ultrasons segueix sent l'estàndard d'atenció quan es necessita el diagnòstic histològic per guiar el tractament de la proteinúria, l'hematúria microscòpica, el rebuig del trasplantament o la disfunció renal inexplicada (1,2). Sovint es desconeix el grau de fibrosi renal o la gravetat de la CKD en el moment de la biòpsia renal (3). Una biòpsia renal que revela una fibrosi severa (0,50%) pot aclarir el diagnòstic de la malaltia, però és poc probable que canviï la gestió clínica i posa els pacients en risc de sagnat relacionat amb el procediment (4). Les complicacions posteriors a la biòpsia van des de l'hematúria transitòria fins a l'hemorràgia que amenaça la vida i es correlacionen amb factors de risc que inclouen pressió arterial elevada, edat avançada, anèmia, recompte de plaquetes baix, funció renal reduïda i anomalies de l'hemostàsia (5). Una metaanàlisi recent de 118,064 biòpsies renals guiades per ultrasons va informar de taxes d'incidents per a transfusions de sang, intervenció angiogràfica i mort del 2%, 0,3% i 0,06%, respectivament (6).
Avaluar la gravetat de la CKD és fonamental quan es consideren els riscos i els beneficis d'una biòpsia renal, però les eines no invasives per avaluar el grau de fibrosi estan poc desenvolupades (7). Els estudis que van explorar tècniques d'ultrasò (incloent imatges de velocitat d'ona de cisalla, elastografia transitòria, elastografia en temps real, ecografia Doppler i tensió corticomedular per ultrasons) han observat una correlació inconsistent amb el grau de fibrosi en la histologia renal (3,8,9). A més, aquests mètodes depenen molt de factors externs, com ara la pressió arterial, el pes del ronyó, el pes corporal i la força del transductor aplicat, per no parlar de l'alta variabilitat intra i interobservador (3). Un informe recent va trobar una estreta correlació entremida del ronyó determinada per ultrasons amb funció renal estimada (eGFR), però no va avaluarronyófibrosi(10). Kirpalani et al. va informar que l'elastografia per ressonància magnètica era prometedora pel que fa a la correlació de les puntuacions de rigidesa amb la fibrosi renal (11), però no va explorar les eines d'aprenentatge automàtic com a mitjà per optimitzar la precisió predictiva.
La tomografia computada (TC) permet obtenir imatges d'alta resolució del teixit renal amb una exposició mínima a la radiació del pacient (7). Tecnologia d'aprenentatge automàtic combinadació amb imatges TC és una via prometedora per als noavaluació invasiva del ronyóFibrosis, en lloc del correntestàndard d'atenció histològic. Aprenentatge profund convolucionalLes xarxes neuronals (CNN) són una nova forma d'aprenentatge automàticing, que pot aïllar els patrons rellevants dels seusteologia, imatges o altres dades clíniques útils per a la malaltia
caracterització (12,13). La tecnologia CNN per al diagnòstic s'ha explorat en diversos entorns, que van des d'hemorràgia intracranial i càncer fins a pneumònia iapendicitis (14-17).
L'objectiu de l'estudi Artificial Intelligence in Renal Scarring (AIRS) és desenvolupar eines de CNN per quantificar la fibrosi renal com una alternativa de diagnòstic assistit per ordinador a la biòpsia renal. Es van entrenar dos algorismes de CNN (classificadors de nivell de tall i de voxel) per analitzar imatges de TC de ronyons natius i trasplantats per classificar el grau de fibrosi, basant-se en les puntuacions de fibrosi de la veritat del sòl de les biòpsies de ronyó en els mateixos pacients. En aquesta anàlisi pilot, ens vam centrar a delimitar la fibrosi lleu/moderada versus severa (50% versus $50%) com una dicotomia clínicament rellevant que pot ser útil per a un nefròleg que consideri la biòpsia renal per al seu pacient. Demostrem que els algorismes de CNN poden diferenciar la fibrosi renal severa de la lleu/moderada amb un alt grau de precisió.
Materials i mètodes
Base de dades de pacients Aquesta va ser una anàlisi retrospectiva de biòpsies renals realitzada al Centre Mèdic Irvine de la Universitat de Califòrnia entre el 2014 i el 2019. Es van identificar pacients amb TC abdominal d'1 $ completats dins dels 6 mesos posteriors a la biòpsia renal. Després del cribratge inicial del sistema de registres mèdics, 42 pacients sotmesos a imatges van ser exclosos pels motius següents: TAC realitzada fora del període d'inclusió (0,6 mesos des de la data de la biòpsia, n53); imatge de ressonància magnètica abdominal però no s'ha trobat cap TC al sistema (n56); els pacients van saltar inadvertidament en el procés d'anotació (n52); ronyons autòctons no segmentats en un pacient que havia estat sotmès a un trasplantament (n51); escaneig de baixa qualitat amb artefacte de maquinari (n51); i estudis d'imatge externs que no es van emmagatzemar als arxius d'imatges a llarg termini (n529). Es van descarregar les 152 TC restants de 92 pacients i es va extreure el volum reconstruït de teixit tou axial per a una anàlisi posterior. La majoria de les TC (79%) es van realitzar sense contrast intravenós; Es van realitzar 129 exploracions en un escàner Philips, 22 en un escàner Siemens i una en un escàner de GE Medical Systems.
Un patòleg (JEZ) va revisar una selecció aleatòria de pacients per confirmar que el grau de fibrosi estava documentat amb precisió als informes de biòpsia renal. En pacients discordants, un segon patòleg va revisar les diapositives per determinar la veritat bàsica (vegeu Agraïments). El grau de veritat bàsica de fibrosi renal dels informes de biòpsia es va tractar com un resultat binari: lleu/moderat versus greu (fibrosi intersticial i atròfia tubular, 50% versus $ 50%). Els ronyons natius en les exploracions de TC de pacients trasplantats es van qualificar automàticament com a fibrosi severa. Les dades demogràfiques i les condicions comòrbides es van recopilar en una base de dades REDCap i es va accedir a les imatges de TC tal com es descriu a continuació. Tots els procediments de recerca van ser aprovats pel Comitè de Revisió Institucional d'Irvine de la Universitat de Califòrnia.
Anotació
Les exploracions de TC es van transferir des del sistema d'arxiu i comunicació d'imatges del nostre hospital a una base de dades interna segura. Es va utilitzar una eina d'anotació personalitzada basada en web per crear màscares binàries tridimensionals de la veritat del sòl corresponents als ronyons dret i esquerre natius i qualsevol trasplantament renal, si n'hi ha. L'eina d'anotació es va implementar com una senzilla utilitat de pinzell sense cap funció de llindar ni de contorn avançat. Dos estudiants investigadors (HRT, KAPR) van servir com a principals anotadors i un radiòleg sènior (PDC) va revisar posteriorment cada pacient i les anotacions de la regió d'interès refinada quan calia.
Preprocessament d'imatges
Utilitzant les màscares de volum de ronyó anotades com a plantilla, es va retallar cada ronyó i es va tornar a mostrejar a un volum de voxel 96 3 96396 isòtrop. Aquesta òpera de remuestreigcalia assegurar-se que totes les entrades del model tinguessin la mateixa mida de matriu i adaptar-se a les limitacions de la memòria de la unitat de processament de gràfics. Tenint en compte els volums erenes van retallar per primera vegada als ronyons dret i esquerre i que els ronyons només constitueixen una petita part del volum original de TC, les mides finals de vòxels reamostreats eren similars en res.solució de les dades originals. A continuació, cada volum retallat es va normalitzar retallant tots els valors de voxel a un rang de 2150 a 250 unitats Hounsfield i escalat per un factor d'1:50. CapUn únic examen d'aquest conjunt de dades pot contenir fins a tres ronyons retallats individuals utilitzats per a l'entrenament de l'algorisme: (natiu) esquerre, (natiu) dret i trasplantament. Per a qualsevol nen individualney, es van utilitzar un total de 96 imatges bidimensionals (2D) (de mida 96396) per a l'entrenament.
Enfocament de la CNN
Es van provar i comparar dues xarxes CNN 2D personalitzades diferents per diferenciar la fibrosi renal greu de la lleu/moderada. El primer algorisme és un global estàndardclassificador CNN llesca per llesca, dissenyat per predir una de les tres categories mútuament excloents per a cada imatge 2D: sense ronyó, fibrosi lleu/moderada i fibrosi severa. Elel segon algorisme és un classificador CNN a nivell de píxels implementat mitjançant una arquitectura U-Net totalment convolucional per dur a terme una segmentació i classificació simultànies. En
ambdós models, la classificació final ignora les rodanxes o els voxels sense ronyons, i s'agrega una regla de majoria a les prediccions restants. Tots dos algorismes estan implementatsutilitzant l'arquitectura de xarxa de compressió i excitació d'última generació, el model de millor rendiment del repte de reconeixement visual a gran escala d'ImageNet el 2017 (18).L'enfocament de la xarxa de compressió i excitació permet a les xarxes recalibrar de manera adaptativa les respostes de les característiques del canal basades en diferents entrades del model aprenent
establint interdependències entre canals (figura 1).
Figura 1.|Mapes de calor de predicció generats per l'algoritme d'aprenentatge profund que identifiquen àrees de sospita de fibrosi "severa" dins del ronyó. D'esquerra a dreta, es mostren ronyons que van des de la fibrosi normal fins a la severa amb graus progressius de parènquima fibròtic estimat. Les prediccions finals de softmax normalitzades per a tot el ronyó es mostren a la fila inferior, que van des de 0.0 a 0.2; 0.2–0.4;{{0}},4–0,6; 0.6–0.8; i 0.8–1.0.
Classificador global porció per porció
El classificador global CNN és una arquitectura personalitzada derivada de VGG implementada amb mòduls d'excitació de pressió a cada capa. L'entrada del model és una única porció 2D (96396).i la sortida del model és un vector logit de tres elements que representa una predicció de tres classes. La CNN consta de quatre blocs convolucionals, on cada bloc es defineix com un 333convolució, normalització per lots i ReLU repetida tres vegades en total. El submostreig es realitza al final de cada bloc mitjançant una circumvolució amb un pas de dos. Després
quatre blocs convolucionals (12 capes), el mapa de característiques final s'aplana i s'utilitza com a entrada en una única capa totalment connectada.
Classificador de nivell de Voxel
El classificador CNN a nivell de voxel és una arquitectura personalitzada U-Net implementada amb mòduls d'excitació de pressió a cada capa (19). L'entrada del model és una única porció 2D (96396) i la sortida del model és una única màscara de segmentació 2D (96396) amb una predicció de tres classes a cada ubicació de voxel. La CNN consta de quatre blocs convolucionals contractants, on cada bloc es defineix com una convolució 333, normalització per lots i Leaky ReLU repetit tres vegades en total. El submostreig es realitza al final de cada bloc mitjançant una circumvolució amb un pas de dos. Després de quatre blocs convolucionals (12 capes), les operacions s'inverteixen a través d'una arquitectura de xarxa idèntica, amb la substitució de circumvolucions a zancada (sub-mostreig) amb transposicions convolucionals (upsampling).
Implementació de xarxes neuronals
S'utilitza una funció de pèrdua de crossentropia softmax per optimitzar ambdós models. L'optimització es va realitzar mitjançant la tècnica Adam (20) amb taxes de decadència exponencials, b1 i b2, establertesa {{0}},9 i 0,999, respectivament. La taxa d'aprenentatge s'estableix en 131023. La mida del lot s'estableix en vuit, amb un total de 25,000 iteracions d'entrenament. La normalització de Xavier s'utilitza per inicialitzarels pesos abans de l'entrenament (21). El codi de l'algoritme es va escriure a Python 3.6, a la biblioteca TensorFlow 2.1.0 i a la biblioteca Keras 1.0.8. La xarxa està entrenada al nostre clúster d'unitats de processament de gràfics intern, que conté 48 Nvidia GeForce RTX 2080 Ti i 12 GeForce RTX Titans. De mitjana, el classificador global s'entrenava durant 30 minuts per experiment, mentre que el classificador basat en voxel s'entrenava entre 2 i 4 hores per experiment.
Avaluació
Es va utilitzar una estratègia de validació creuada de cinc vegades per avaluar el procés de formació. Tot i que fins a tres ronyons diferents de cada pacient es van tractar individualment durant elprocés d'entrenament, tots els volums d'un sol pacient s'estratifiquen en el mateix grup de validació creuada per evitar la fuga de dades. El conjunt de dades es va dividir 80:20 i després es va entrenar al80%, mentre que l'altre 20% es va utilitzar per a la validació. L'entrenament es va repetir cinc vegades en total amb diferents divisions de 80:20 fins que es va validar completament el conjunt de dades.
A més dels experiments amb tota la cohort de dades, es van realitzar anàlisis de subcohorts addicionals per avaluar possibles variables de confusió. Es va aplicar l'estratificacióbasat en l'estat del contrast intravenós i l'exclusió de ronyons natius atròfics en pacients que van rebre un trasplantament. A més, per avaluar la generalització del model, modEls entrenats exclusivament amb escàners Philips i GE es van validar exclusivament amb dades dels escàners Siemens.
Estadístiques
El nostre objectiu de l'estudi va ser distingir entre fibrosi lleu/moderada de fibrosi severa en la TC renal. La regla de la majoria es va utilitzar en ambdós enfocaments (global slice-by-slicei basat en voxel) per determinar la gravetat deFibrosis.Per avaluar el rendiment entre els dos enfocaments,precisió, sensibilitat, especificitatFiciutat, valor predictiu positiu(PPV) i el valor predictiu negatiu (NPV) es van calcularavançat i comparat. L'àrea sota el receptor en funcionamentLa corba (AUC) també es va calcular variant el softmaxllindar de puntuació per alfiBrosis Classificatió i el resultatcorba dibuixada per comparar ambdós enfocaments. descripcióles estadístiques tives es presenten com a mitjanes6SD.
