Хронично бъбречно заболяване (CKD): Подходящи ли сте за единични и двойни бъбречни трансплантации?

за повече information:ali.ma@wecistanche.com

Част I.:Невронна мрежа за класификация на гломерул въз основа на хистологични изображения на биопсия на бъбреците

Джакомо Донато Каскаранол,Франческо Саверио Дебитонтол & др.

Фон

Хронично бъбречно заболяване(CKD) е патологично състояние, характеризиращ се с функционална дегенерация набъбрек. CKD (Хронично бъбречно заболяване) е 12-та причина за смъртта, с до 1,1 милиона случая по целия свят; повишената смъртност, свързана с CKD(Хронично бъбречно заболяване)от последните години го прави една от най-бързо повишаващите се причини за смъртта, наред с диабета и деменцията1, 2.БъбрекТрансплантацияе най-добрата бъбречна заместителна терапия, както е разкрито, че е по-ефективна от диализното лечение по отношение на дългосрочния риск за смъртността и в същото време оказва намалено въздействие върху системата на общественото здраве3, 4].

Кликнете към Cistanche NZ за хронично бъбречно заболяване

Liyanage et al. изчислява, че през 2010 г. 2,6 милиона души, в лицето на 4,9 милиона пациенти, са получили бъбречна заместителна терапия в световен мащаб, което предполага, че най-малко 2,3 милиона души може да са починали преждевременно, защото не може да се получи достъп до подходяща терапия [5].

Поради нарастващата необходимост отбъбрекТрансплантации[6], различни проучвания се опитаха да заширят критериите за приемане наБъбрецитеза трансплантация, които като цяло се изключват въз основа на възрастта на донора и други характеристики, свързани както с качеството, така и с измерението наБъбреците[7,8].

Moore et al. извършва сравнение между двойнитебъбрекТрансплантацияот донори на разширени критерии (ECDs) и единичнибъбрекТрансплантацияот ЕКД за конкурен наем и донори на стандартни критерии. Авторите оцениха, че използването на двойнабъбречна трансплантацияот маргинални донори е жизнеспособен вариант и че бъбречната функция може да бъде постигната, при условие че и дветеБъбрецитесе трансплантират в един получател [9].

Remuzzi et al. предложи техника за оценка набъбрекусловиечрез оценка на хистологични биопсии [10]. Критерият за оценка, известен като Карпински резултат, счита еволюцията (в проценти)на патологично състояние на четири основни функционални области: гломерулосклероза, тръбна атрофия, интерстициална фиброза, и артериална склероза. Този резултат варира от 0 до 12, а колкото по-голям е броят, колкото по-лошо ебъбреците състояние[10-12].Бъбрецитес карпински резултат от 0 до 3 и от 4 до 6 се считат за подходящи заединични и двойни трансплантациисъответно.

Лечение на бъбречно заболяване: трансплантация на цистанш и бъбрек

За да оценят карпинския резултат, патолозите извършват визуалната оценка на хистопатологичните изображения от цял слайд(WSIs). Този процес обикновено е отнема много време, склонен към грешка, а също и субективен.

За да се преодолеят тези недостатъци, разработването на компютърно подпомагани системи за диагностика(CAD) въз основа на хистопатологичния анализ на изображението на тъканта за подпомагане на изчисляването на резултата е ценна водеща посока.

Последните произведения на литературата показват прилагането на техники за обработка на изображения и машинно обучение, за да се анализиратбъбрекХистопатологичниWSIs за откриване и класификация на гломерули. Подходите за обработка на изображения имат за цел да извлекат съдържателни функции, напр., тези, основани на анализ на формата и текстурата; след това алгоритмите за машинно обучение, като плитки или дълбоки Изкуствени невронни мрежи (АНН), вземат решения въз основа на извлечени функции.

Simon et al, например, предложени функции, базирани на текстура, зададени като прост, но ефективен автоматичен метод за локализация на гломерули [13]. Авторите прилагат алгоритъма върху секциите на бъбречната тъкан и биопсиите на големите хистопатологични WSIs. Функциите, извлечени от адаптация на алгоритъма за локален двоичен модел (LBP), са използвани за обучение на модел Support Vector Machine(SVM). Авторите съобщават за висока прецизност(>90%) и разумно припомняне (>70%)

За извършване на цялостно откриване на гломерули в изображения на целибъбрекраздели, Като и др. предложиха нов описател, наречен Сегментален HOG (Хистограма на ориентираните градиенти)[14]. Авторите заявиха здравината на решението и висококачествени сегментационни изходи; освен това авторите сравняват Segmental HOG с Правоъгълен HOG, показващ, че първият подход е достигнал значителни подобрения в показателите за откриване.

Няколко автори, вместо това, се съсредоточиха върху анализа на формата и цвета на Гломерули. Kotyk et al.предложи новела решение да се изправи пред широката интензивност вариация и несъответствието по отношение на формата и размера на гломерулите в бъбречния корпус. Предложеният подход, основан на техниката "Анализатор на частици", позволи откриването на бъбречния корпус и следното измерване на диаметъра на гломерул и космическата ширина на Боуман. Авторите преценяват, че подходът е бил здрав към деформациите на гломерулите дори при гломерулна хипертрофия [15]. Анализ на ефектите на значително разнообразие от цвят и тъканна форма върху цели слайд изображения е извършен от Zhao et al. [16]. Авторите се фокусираха върху извличането на ширината на капсулата на Боуман, за да изработят автоматизирана рамка за извличане на гломерулус от микрографа на цялата бъбречна тъкан. Системата е тествана върху нечовешки примати бъбречни тъкани с Хематоксилин и Eosin(HE)оцветяване.

Bukowy et al. предложи различен анализ работен поток. През [17], авторите разработиха конволюционен невронна мрежа за откриване на гломерули в трихром-оцветени кид-нейни секции. Процедурата е тествана върху плъхБъбрецитеи докладваните резултати, по отношение на класификацията на здрави и повредени гломерули, показват средна прецизност и изземване съответно на 96,94% и 96,79%.

В предишно произведение на Bevilacqua et al, CAD система за сегментиране и дискриминация на кръвоносните съдове ver-sus тубули от биопсии вбъбректъкан е проектирана и тествана [18]. Хистологични изображения с Пери-одична Киселина-Шиф(PAS)оцветяване са били използвани за сегментиране региони на интерес (ROIs) и извличане на Haralick функции, позволяващи последваща процедура класификация с помощта на алгоритми, базирани на АНН. Резултатите от изпитванията определиха, че поднадзорният anN подход е последователен, което позволява получаването на добра ефективност на класификацията.

Тази работа е съсредоточена върху автоматичната оценка набъбрекбиопсии, занимаващи се със специфично патологично състояние, разглеждано от карпинския скор: гломерулосклероза, т.е. отношението между склерозираните гломерули и общия брой на гломерулите. За да се направи това, откриването и дискриминацията на склеротичното състояние, засягащо гломерулите от тези несклеротични, са от решаващо значение. Както вече се съобщава в произведения от най-съвременните, това е предизвикателна задача, дължаща се на гломерули широк интензитет вариации и несъответствия по форма и размер.

лечение на бъбречно заболяване:единични и двойни трансплантацииИзследвания

Комбинация от различни алгоритми за извличане на функции е проектирана и оценена за дискриминация на състоянието на гломерулите. Съобщената литература показва специфични и уникални алгоритми за обработка на изображения, прилагани върху различни видове оцветители и нечовеки WSIs. Наборът от функции, предложени в тази работа, вместо това, идва от колекция от две широко използвани, добре познати, и общо предназначение функции екстрактор алгоритми семейства,т.е.морфологични и текстура функции. Тези особеност семейства също са включени в някои от алгоритмите, предложени в литературата, но в тази работа, те са били извлечени от човешки WSIs с PAS оцветяване. Освен това, тръбопроводът за класификация, подробно описан в Методи, включва и процедури за намаляване на характеристиките, позволяващи проектирането на плитка Изкуствена невронна мрежа. Цялостният работен процес, предложен в тази работа, и интеграцията с процедурата, представена в[18], ще ни позволи да изградим пълна CAD система за анализ на хистопатологичните WSIs.

Резултати

Докладват се резултатите, получени чрез оценка на предложения работен поток за класификация върху тестовия набор. По-специално, резултатите се отнасят до получените експлоатационни показатели, като се има предвид намаленият набор от характеристики, класифицирани чрез използване на кръстосаната валидирана плитка АНН. Както е съобщено в таблица 1, тестовият комплект е съставен от 579 изображения на гломерули: 87 склеротични, 492 несклеротици.

За да се оцени стабилността на работния поток, бяха извършени 10 писти от целия процес. Постигнатите резултати са обобщени в таблица 2. По-специално резултатите се отчитат по отношение на средното и стандартното отклонение на няколко показателя,т.е.Точност (Eq.1), Прецизност(Eq.2), Изземете (Eq.3), и Коефициент на корелация на Matthews (Eq.4)[19], оценени според матрицата на объркване, отчетена в таблица 3.

Сред итерациите най-добри резултати се отчитат в таблица 4, като има предвид, че съответната конфузна матрица се отчита в таблица 5.

Внедреният работен поток позволява класификацията на склеротични и несклеротични гломерули с добри изпълнения(средна MCC=0,95 и средна Точност=0,99)и ниска променливост (MCC std=0,01 и Accuracy std<0.00)(see table="" 2).="" precision="" and="" recall="" are="" equal="" to="" 0.98="" and="" 0.93,="" respectively,="" thus="" showing="" that="" the="" proposed="" system="" achieves="" a="" better="" performance="" in="" the="" non-sclerotic="" evaluation(all="" the="" non-sclerotic="" glomeruli="" were="" detected="" in="" the="" best="">

Конфигурация на набор данни от таблица 1	Таблица 2 Показатели сравнение на 10 мрежови инициализации

Таблица 3 Конфузионна матрица за изчисляване на показателите	Таблица 4 Показатели сравнение на 10 мрежова инициализация

Таблица 5 Конфузионна матрица на най-добрия модел

Разискване

Оценявайки предложения подход по независим тестов набор, работният процес на класификация постигна средна МКЦ и Точност съответно 0,95 и 0,99, и ниска вариабилност над 10 независими итерации (MCC std=0,01 и Accuracy std<0.00). good="" precision="" and="" recall="" were="" also="" obtained="" (precision:="" 0.9844±0.0111,="" recall:="" 0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature[13,="">

Докато прилагахме и оценявахме докладвания работен поток, ние се сблъскахме и тествахме общия проблем с небалансирането на данните, който беше решен чрез използване на МКК като коефициент за сравнение на производителността и roc крива за избор на оптималния праг за класификация. Докладваните резултати сочат, че предложената настройка на работния поток е надеждна за изследвания домейн, подкрепяйки клиничната практика за дискриминация на двата класа гломерули.

Анализирайки неправилно класифицираните гломерули, открихме също, че входните изображения, съответстващи на погрешно класифицираните проби, показват оцветители артефакти или частични части (най-вече по ръбовете); общи примери се споменават в Fig.1.In клиничната практика обаче патолозите изхвърлят такива изображения, които биха могли да бъдат изключени и в предложения работен процес чрез проектиране на стратегии за откриване предварително на изображения, засегнати от такива проблеми.

Лечение на бъбречно заболяване: единични и двойни бъбречни трансплантации

Кликнете тук, за да част II.