bgезик
Начало / знание / Съдържание

знание

Оценка на бъбречните белези с изкуствен интелект (проучване AIRS) Ⅱ

May 13, 2024

Резултати

И двата модела бяха обучени и валидирани на общо 152 CT сканирания от 92 пациенти, които съдържаха 148 леви бъбрека, 152 десни бъбрека и 73трансплантация на бъбреци. Характеристиките на пациента са обобщени в таблица 1; 55 пациенти са имали минимална или лека (-25%) фиброза, 14 пациенти са класифицирани като умерена (25%-50%) фиброза, а 23 пациенти са имали тежка (.50%) фиброза. Средният eGFR е 37626 спрямо 25618 спрямо 16613 ml/min на 1,73 m2, съответно, в групите с лека спрямо умерена спрямо тежка фиброза. Пациентите с лека/умерена фиброза бяха групирани за анализ срещу пациенти с тежка фиброза при КТ на бъбреците;среден обем на бъбрецитее 217 cm3 (диапазон 48–668) срещу 76 cm3 (диапазон 3–347) в групите с лека/умерена спрямо тежка (-50% спрямо $50%) фиброза. Имаше една биопсия на пациент, която даде противоречиви резултати за фиброза (сравняване на доклада от медицинската карта с текущия преглед на патолога), а основната истина беше определена чрез сляп преглед от втори патолог (вижте Благодарности)

cistanche treat kidney disease

КОЛКО ВРЕМЕ НЕОБХОДИМО ЗА ДЕЙСТВАНЕ НА CISTANCHE ПРИ БЪБРЕЧНО ПАЦИЕНТИ?

При валидиране на кръстосано сгъване моделът срез по срез даде обща AUC от 0.917, докато подходът, базиран на воксели, даде обща AUC от 0.922 (Фигура 2). Точността, чувствителността, специфичността, PPV и NPV при различни прагове, оценени в двата CNN алгоритъма, са обобщени в таблица 2. При праг на прогнозиране от {{10}}.5, разрезът -slice подходът ни даде точност от 0.831, чувствителност от 0.817, специфичност от {{20}}.852, PPV от 0.886 и NPV от 0.767. При същия праг на прогнозиране от 0.5 подходът, базиран на воксели, дава подобни резултати с точност от 0.879, чувствителност от 0.853, специфичност от {{35} }.916, PPV от 0,935 и NPV от 0,816. Подходът, базиран на воксел, в сравнение с докладите за патология на земята дава 13 фалшиви положителни резултати (лека/умерена фиброза, класифицирана като тежка), 32 фалшиви отрицателни (тежка фиброза не е открита; 15% процент на пропуски), 187 истински положителни и 141 истински отрицателни .
Резултатите от стратифицираните подкохортни анализи са показани в таблица 3. Цялостното представяне и на двата модела е сходно след изключване на постконтрастни изследвания и/илиизключване на атрофични нативни бъбреципри пациенти, претърпели трансплантация. Незначителен спад в производителността ({{0}}.86 точност) беше отбелязан специално за базираната на воксел CNN стратегия след премахване на постконтрастните изследвания; всички други пермутации показаха точност от $0,90. В допълнение, общата възможност за обобщаване на модела беше запазена след стратификация на комплекта за обучение (Philips, GE) и комплекта за валидиране (Siemens) изключително от производителя. Сравнение на нашите инструменти за прогнозиране и други проучвания на CNN, коитооценено бъбречно заболяванепараметри е сумапоказани в таблица 4.

Echinacoside of cistanche can improve kidney function

Дискусия

Започнахме проучването AIRS, за да разработим инструменти за машинно обучениеколичествено определяне на бъбречната фиброзакато неинвазивна диагностична алтернатива на бъбречната биопсия. В група от 92 пациенти анализирахме 300изображения на нативен бъбреки 73 трансплантирани бъбрека от 152 абдоминални компютърни томографии. Установихме, че глобалните срез по срез и базираните на воксел CNN модели са сходни при разграничаването на тежки от леки/умерена бъбречна фиброза, с AUC {{0}}.917 срещу 0.922 и PPV 0.886 спрямо 0.935, в сравнение с основната истина отдоклади от бъбречна биопсия. И двата модела на CNN се представиха последователно, когато бяха тествани срещу различни CT скенери и когато бяха изключени атрофични нативни бъбреци при пациенти, които са претърпели трансплантация; глобалният модел срез по срез имаше малко по-добра точност на прогнозиране, когато бяха тествани само неконтрастни компютърни томографии.

Диагностичната бъбречна биопсия остава стандарт на грижа, когато е необходима хистологична диагноза за насочване на лечението на протеинурия, отхвърляне на трансплантант или необясним бъбрекдисфункция (1,2). Решението за нативна бъбречна биопсия обаче може да бъде сложно, особено ако пациентът е на антикоагулантна терапия или има анемия или тромбоцитопения, което може да увеличи риска от големи усложнения,включително кръвопреливания, ангиографска интервенция,и смърт (общ процент на инциденти 2%, 0.3% и 0.06%,съответно) (6). Неинвазивни инструменти за оценка на степентана бъбрецитефилипсват брози (7) и до днес нямат утилизирани инструменти за машинно обучение за минимизиране на субективността ипристрастие. Тези инструменти могат да се окажат полезни, когато бъдат оценени вв контекста на други маркери за хронично бъбречно увреждане(e.g., повишен паратироиден хормон и фосфат). В парконкретно, прогнозата за тежки (.50%) фиброзата може да оправдаеизбягване на бъбречна биопсия, тъй като пациентът не бибъдете кандидат за имуномодулираща терапия (i.e., набиопсията не би променила клиничното лечение). Тази информация зае ценно, например, когато пациентите присъстватс напреднала бъбречна недостатъчност и неизвестно медицинско състояниетори. Допълнителни проходи с иглата за биопсия за оптимизиране

вземането на проби от гломерули за хистология от aфиброзен бъбрекможе да доведе до повишен риск от кървене (22). Ако се предвиди тежка степен на фиброза при CNN анализ на компютърна томография, медицинският екип може да реши да ограничи вземането на проби за биопсия или да избегне изцяло бъбречната биопсия след съвместно вземане на решение с пациента. Трябва да се отбележи, че диагностична нативна бъбречна биопсия все още може да бъде показана в привидно краен стадий на бъбрек по преценка на нефролог, за да насочи оценката на кандидатурата за трансплантация или да определи етиологията на системно заболяване.

Отбелязахме, че прагът за прогнозиране от 0.5 се представи най-добре по отношение на бъдещата приложимост при вземането на клинични решения, като целта е да се идентифицират пациенти снапреднал бъбрекфиброза и по този начин да се избегне инвазивна биопсияи неговите потенциални усложнения от кървене, обсъдени по-горе.С базирания на воксел CNN модел, праг от 0.5 би бил

идентифицират 85% от индивидите с напреднала бъбречна фиброза с PPV от 94% (Таблица 2). Повишаването на прага до 0.9 би подобрило незначително PPV до 95%, но би намалило драстично чувствителността от 85% на 72% (т.е. би пропуснало 28% от индивидите с тежка фиброза).

effect of cistanche improve kidney function (2)

Понастоящем основното ограничение на предложения алгоритъм е изискването ръчно да се дефинира интересна област за всеки бъбрек преди дълбоко прогнозиране на обучението.
Трябва да се отбележи обаче, че въпреки че триизмерните контури на бъбреците са генерирани като част от това проучване, прогнозата за всеки нов пациент (т.е. отделно от обучението) изисква само груб ограничаващ куб около бъбрека(ите), който трябва да бъде дефиниран . Разработват се алгоритми за базирано на дълбоко обучение сегментиране на целия бъбрек, което би улеснило напълно автоматизиран процес от край до край (23, 24). Друго ограничение е, че хетерогенността в степента на фиброза в един бъбрек може да бъде източник на грешка в основата на истинността и валидирането на алгоритъма. В това проучване решихме да дадем приоритет на компромиса с включването на повече потенциално шумни данни (целите бъбреци бяха сегментирани), вместо да използваме малко количество чисти данни; емпирично тази стратегия е често срещана при задачи за дълбоко обучение с големи данни и нашето наблюдение на AUC за прогнозиране на алгоритъм от 0.911 предполага, че степента на шум, въведена от тази стратегия, е скромна. Бъдещото усъвършенстване на тези алгоритми за прогнозиране на CNN ще бъде проучено чрез включването на клинични лабораторни стойности, свързани с ХБН, като креатинин, паратироиден хормон и хемоглобин. В очакване на по-големи набори от данни, изходът на алгоритъма може да бъде допълнително оптимизиран, за да включва по-разширено количествено групиране(степен нафиброза,25%, 25%–50%, 50%–75%, и.75%). И накрая, даден текущият алгоритъм е обучен и валидендатирани по данни от една единствена институция, е по-нататъшна работанеобходими за оценка на възможността за обобщаване извън изследванотокохорта пациенти.
Доколкото ни е известно, проучването AIRS е първото, което използва CNN модели за прогнозиране на степента на бъбречна фиброза от образни сканирания. Резултатите са обещаващи и осигуряват aоснова за тестване на тези инструменти на CNN в проспективни изпитания, за давалидират тяхната полезност при вземането на клинични решения, когато е таканеясно дали пациент'бъбречното заболяване е остро в сравнение с

хроничен.


kidney function

Разкрития

J. Zuckerman съобщава, че има консултантски споразумения с Leica Biosystems; доклади за получаване на хонорари от ApotheCom; и докладва, че е научен съветник или член на Pathology outlinescom. П. Чанг съобщава, че има договори за консултантски услуги с иполучаване на финансиране за изследвания от Canon Medical; и доклади имампритежаващ дял в Avicenna.ai. WL Lau съобщава, че имаконсултантски споразумения с Ardelyx и Fresenius; докладиполучаване на финансиране за изследвания от Американската сърдечна асоциация,Hub Therapeutics и Националните здравни институти; и

съобщава, че е получил хонорари от австралийското ръководство по нефрология на Roche. Всички останали автори нямат какво да разкриват.



Финансиране

Този проект е финансиран от Катедрата за научни изследвания на Катедрата по медицина на Калифорнийския университет в Ървайн 2019–2021 г.

Благодарности Авторите благодарят на д-р Антъни Сиск (Катедра по патология и лабораторна медицина, Медицински факултет на Дейвид Гефен към Калифорнийския университет в Лос Анджелис) за заслепения преглед надискордантни пациенти с биопсия, за да се определи основната истина.



Авторски принос

WL Lau концептуализира изследването; C. Chantaduly, K. Perez Reyes, H. Troutt и J. Zuckerman бяха отговорни за обработката на данните; P. Chang, C. Chantaduly и J. Zuckerman бяха отговорниза формалния анализ; WL Lau беше отговорен запридобиване на финансиране; C. Chantaduly и K. Perez Reyes бяхаотговорен за разследването; П. Чанг, К. Чантадули и Дж.Zuckerman са отговорни за методологията; WL Lau иH. Troutt бяха отговорни за администрирането на проекта; П. Чанготговаряше за ресурсите и софтуера; П. Чанг и WLLau осигури надзор; C. Chantaduly и H. Troutt написахаоригинален проект; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,и H. Troutt прегледаха и редактираха ръкописа.


Препратки

1. Luciano RL, Moeckel GW: Актуализация на нативната бъбречна биопсия: Основна учебна програма 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: Нативната бъбречна биопсия: Актуализация и доказателства за най-добра практика. Clin J Am Soc Nephrol 11: 354–362, 2016 г.https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Диагностика и оценка на бъбречна фиброза: Състоянието на техниката. Swiss Med Wkly 147: w14442, 2017 г

4. Фиорентино М, Болиняно Д, Тесар В, Пизано А, Ван Бисен В, Д'Ариго Г, Трипепи Ж, Джесуалдо Л; Работна група по имунонефрология на ERA-EDTA: Бъбречна биопсия през 2015 г.: От епидемиология до показания, основани на доказателства. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Практиката на бъбречната биопсия: Какъв е златният стандарт? World 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; Проект за прецизна медицина на бъбреците: Систематичен преглед и мета-анализ на усложненията при естествена бъбречна биопсия. Clin J Am Soc 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: Нова CNN-базирана CAD система за ранна оценка на дисфункция на трансплантиран бъбрек. Sci Rep 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: Приложение на ултразвукова еластография за хронична алографтна дисфункция при бъбречна трансплантация. J Ultrasound 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: Сонография на бъбречния алографт: Корелация между доплеров сонографски индекс на резистентност (RI) и хистопатология. 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: Автоматизиране на прогнозирането и класификацията на бъбречната функция чрез ултразвуково изобразяване на бъбреците с помощта на дълбоко обучение. Digit Med 2: 1–9, 2019 г

















Може да харесаш също