AbstraktníPozadí Cílem umělé inteligence vRenální jizvy(AIRS) studie má vyvinout nástroje strojového učení pro neinvazivní kvantifikacifibróza ledvinz obrazových skenů. Metody Provedli jsme retrospektivní analýzu pacientů, kteří měli jedno nebo více vyšetření břišní počítačovou tomografií (CT) během 6 měsíců odbiopsie ledvin. Finální kohorta zahrnovala 152 CT skenů od 92 pacientů, které zahrnovaly snímky 300 nativních ledvin a 76transplantovat ledviny. Dva různé konvolučníneuronové sítě(klasifikátory na úrovni řezů a na úrovni voxelů) byly testovány, aby se odlišily závažné od mírných/středníchfibróza ledvin(50 % oproti 50 %).Intersticiální fibrózaa tubulární atrofie skóre zbiopsie ledvinzprávy byly použity jako základní pravda. Výsledky Dva modely strojového učení prokázaly podobnou pozitivní prediktivní hodnotu ({{0}},886 versus 0,935) a přesnost (0,831 versus 0,879). Závěry Stručně řečeno, algoritmy strojového učení jsou slibným neinvazivním diagnostickým nástrojemkvantifikovat fibrózu ledvinz CT vyšetření. Klinická užitečnost těchto predikčních nástrojů, pokud jde o zamezení renální biopsii a souvisejícímu riziku krvácení u pacientů s těžkou fibrózou, musí být ještě ověřena v prospektivních klinických studiích.
JAK DLOUHO TRVÁ, NEŽ CISTANCHE PŮSOBÍ U PACIENTŮ S LEDVINY?
Úvod
Ultrazvukem řízená perkutánní biopsie ledviny zůstává standardem péče, když je histologická diagnóza potřebná k vedení léčby proteinurie, mikroskopické hematurie, rejekce transplantátu nebo nevysvětlené dysfunkce ledvin [1,2]. Stupeň fibrózy ledvin nebo závažnost CKD je v době biopsie ledviny často neznámý [3]. Biopsie ledviny, která odhalí závažnou (0,50 %) fibrózu, může objasnit diagnózu onemocnění, ale je nepravděpodobné, že by změnila klinickou léčbu a vystavila pacienty riziku krvácení souvisejícího s výkonem (4). Komplikace po biopsii sahají od přechodné hematurie po život ohrožující krvácení a korelují s rizikovými faktory, které zahrnují zvýšený krevní tlak, pokročilý věk, anémii, nízký počet krevních destiček, sníženou funkci ledvin a abnormality hemostázy (5). Nedávná metaanalýza 118064 ultrazvukem řízených biopsií ledvin uváděla výskyt krevních transfuzí, angiografických intervencí a úmrtí 2 %, 0,3 % a 0,06 % (6).
Posouzení závažnosti CKD je rozhodující při zvažování rizik a přínosů biopsie ledviny, ale neinvazivní nástroje pro hodnocení stupně fibrózy nejsou dostatečně vyvinuty [7]. Studie, které zkoumaly ultrazvukové techniky (včetně zobrazování rychlosti smykové vlny, přechodné elastografie, elastografie v reálném čase, dopplerovské sonografie a ultrazvukového kortikomedulárního napětí), zaznamenaly nekonzistentní korelaci se stupněm fibrózy v histologii ledvin (3,8,9). Kromě toho jsou tyto metody silně závislé na vnějších faktorech, jako je krevní tlak, hmotnost ledvin, tělesná hmotnost a aplikovaná síla měniče, nemluvě o vysoké variabilitě mezi pozorovateli a mezi pozorovateli (3). Nedávná zpráva zjistila úzkou korelaci meziultrazvukem stanovená velikost ledvin s odhadovanou funkcí ledvin (eGFR), ale nehodnotilaledvinfibróza(10). Kirpalani a kol. uvedli, že magnetická rezonanční elastografie byla slibná, pokud jde o korelaci skóre tuhosti s fibrózou ledvin (11), ale nezkoumala nástroje strojového učení jako prostředek k optimalizaci prediktivní přesnosti.
Počítačová tomografie (CT) umožňuje zobrazení renální tkáně ve vysokém rozlišení s minimální radiační zátěží pacienta (7). Technologie strojového učení v kombinaciCT zobrazování je slibnou cestou pro noninvazivní vyšetření ledvinfibrosis, místo prouduhistologický standard péče. Hluboké učení konvolučníneuronové sítě (CNN) jsou novou formou strojového učeníing, který může izolovat relevantní vzory od jehotologie, zobrazování nebo jiná klinická data užitečná pro onemocnění
charakterizace (12,13). Technologie CNN pro diagnostiku byla zkoumána v různých prostředích, od intrakraniálního krvácení a rakoviny po zápal plic azánět slepého střeva (14–17).
Cílem studie Artificial Intelligence in Renal Scarring (AIRS) je vyvinout nástroje CNN pro kvantifikaci fibrózy ledvin jako počítačově podporované diagnostické alternativy k renální biopsii. Byly trénovány dva algoritmy CNN (klasifikátory na úrovni řezů a na úrovni voxelů) k analýze CT zobrazení nativních a transplantovaných ledvin za účelem klasifikace stupně fibrózy na základě skutečných skóre fibrózy z biopsií ledvin u stejných pacientů. V této pilotní analýze jsme se zaměřili na vymezení mírné/střední versus těžké (50% versus 50%) fibrózy jako klinicky relevantní dichotomie, která může být užitečná pro nefrologa zvažujícího biopsii ledviny u svého pacienta. Ukazujeme, že algoritmy CNN mohou s vysokou přesností odlišit těžkou od mírné/střední fibrózy ledvin
Materiály a metody
Databáze pacientů Jednalo se o retrospektivní analýzu biopsií ledvin provedené v lékařském centru Kalifornské univerzity v Irvine Medical Center v letech 2014 až 2019. Identifikovali jsme pacienty s 1 dolarovým CT vyšetřením břicha dokončeným do 6 měsíců od biopsie ledviny. Po úvodním screeningu systému lékařských záznamů bylo 42 pacientů, kteří podstoupili zobrazení, vyloučeno z následujících důvodů: CT vyšetření provedené mimo období zařazení (0,6 měsíců od data biopsie, n53); zobrazení abdominální magnetickou rezonancí, ale v systému nebylo nalezeno CT (n56); pacienti neúmyslně přeskakovali v procesu anotace (n52); nativní ledviny nesegmentované u pacienta, který podstoupil transplantaci (n51); skenování nízké kvality s hardwarovým artefaktem (n51); a externí zobrazovací studie, které nebyly uloženy v dlouhodobých zobrazovacích archivech (n529). Zbývajících 152 CT skenů od 92 pacientů bylo staženo a axiální rekonstruovaný objem měkkých tkání byl extrahován pro další analýzu. Většina CT vyšetření (79 %) byla provedena bez intravenózního kontrastu; 129 skenů bylo provedeno na skeneru Philips, 22 na skeneru Siemens a jeden na skeneru GE Medical Systems.
Patolog (JEZ) přezkoumal náhodný výběr pacientů, aby potvrdil, že stupeň fibrózy byl přesně zdokumentován ve zprávách o biopsii ledvin. U nesouhlasných pacientů druhý patolog zkontroloval sklíčka, aby určil základní pravdu (viz Poděkování). Základní stupeň fibrózy ledvin ze zpráv z biopsie byl považován za binární výsledek: mírný/střední versus závažný (intersticiální fibróza a tubulární atrofie, 50 % versus 50 %). Nativní ledviny v CT vyšetřeních od pacientů, kteří byli transplantováni, byly automaticky hodnoceny jako závažná fibróza. Demografické údaje a komorbidní stavy byly shromážděny v databázi REDCap a CT snímky byly zpřístupněny, jak je popsáno níže. Všechny výzkumné postupy byly schváleny Institucionální revizní radou University of California Irvine.
Anotace
CT snímky byly přeneseny z našeho nemocničního archivačního a komunikačního systému do zabezpečené interní databáze. K vytvoření trojrozměrných binárních masek odpovídajících nativní pravé a levé ledvině a případným transplantacím ledvin, pokud byly přítomny, byl použit vlastní proprietární webový anotační nástroj. Nástroj pro anotaci byl implementován jako jednoduchý nástroj štětce bez jakéhokoli prahování nebo pokročilé funkce konturování. Dva studující výzkumníci (HRT, KAPR) sloužili jako hlavní anotátoři a starší radiolog (PDC) následně zkontroloval každého pacienta a v případě potřeby zpřesnil anotace oblasti zájmu.
Předzpracování obrazu
S použitím anotovaných masek objemu ledvin jako šablony byla každá ledvina oříznuta a převzorkována na izotropní 96 3 96396 voxelový objem. Tato převzorková operaBylo požadováno, aby všechny vstupy modelu měly stejnou velikost matice a aby vyhovovaly omezením paměti grafické jednotky. Vzhledem k objemům bylynejprve oříznuté na pravou a levou ledvinu a že ledviny tvoří pouze malou část původního objemu CT, byly konečné velikosti převzorkovaných voxelů podobné v rozlišenířešení původních údajů. Každý oříznutý objem byl poté normalizován oříznutím všech hodnot voxelů na rozsah 2150 až 250 Hounsfieldových jednotek a zmenšen faktorem 1:50. Žádnýjedno vyšetření v tomto souboru dat může obsahovat až tři jednotlivé oříznuté ledviny používané pro trénování algoritmů: (nativní) levou, (nativní) pravou a transplantaci. Pro každé jednotlivé dítěney, bylo k tréninku použito celkem 96 dvourozměrných (2D) snímků (o velikosti 96396).
Přístup CNN
Byly testovány a porovnány dvě různé vlastní 2D CNN sítě, aby se odlišila závažná od mírné/střední fibrózy ledvin. První algoritmus je standardní globálníSlice-by-slice CNN klasifikátor, navržený tak, aby předpovídal jednu ze tří vzájemně se vylučujících kategorií pro každý 2D snímek: bez ledvin, mírná/střední fibróza a těžká fibróza. Thedruhý algoritmus je CNN klasifikátor na úrovni pixelů implementovaný prostřednictvím plně konvoluční architektury U-Net k provádění současné segmentace a klasifikace. v
u obou modelů konečná klasifikace ignoruje řezy nebo voxely bez ledvin a na zbývajících předpovědích je agregováno většinové pravidlo. Oba algoritmy jsou implementoványvyužívající nejmodernější síťovou architekturu squeeze-and-excitation, nejvýkonnější model soutěže ImageNet Large Scale Visual Recognition Challenge v roce 2017 (18).Síťový přístup „squeeze-and-excitation“ umožňuje sítím adaptivně rekalibrovat odezvy kanálů na základě různých modelových vstupů učením se
vzájemné závislosti mezi kanály (obrázek 1).
Obrázek 1.|Předpovědní teplotní mapy generované algoritmem hlubokého učení identifikující oblasti suspektní „závažné“ fibrózy v ledvině. Zleva doprava jsou znázorněny ledviny od normální po těžkou fibrózu s progresivními stupni odhadovaného fibrotického parenchymu. Konečné průměrné softmax normalizované předpovědi pro celou ledvinu jsou uvedeny ve spodním řádku v rozsahu od 0.0 do 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; a 0.8–1.0.
Globální klasifikátor Slice-by-Slice
Globální klasifikátor CNN je vlastní architektura odvozená od VGG implementovaná s moduly squeeze excitation na každé vrstvě. Vstup modelu je jeden 2D (96396) řeza výstupem modelu je tříprvkový logitový vektor představující třítřídní předpověď. CNN se skládá ze čtyř konvolučních bloků, kde každý blok je definován jako 333konvoluce, normalizace dávek a ReLU se opakovaly celkem třikrát. Podvzorkování se provádí na konci každého bloku pomocí konvoluce s krokem po dvou. Po
Čtyři konvoluční bloky (12 vrstev), je výsledná mapa prvků srovnána a použita jako vstup do jediné plně propojené vrstvy.
Voxel-Level Classifier
Klasifikátor CNN na úrovni voxelů je vlastní architektura odvozená z U-Net implementovaná s moduly squeeze excitation na každé vrstvě (19). Vstupem modelu je jeden 2D (96396) řez a výstupem modelu je jediná 2D (96396) segmentační maska s predikcí tří tříd v každém místě voxelu. CNN se skládá ze čtyř kontrahovaných konvolučních bloků, kde každý blok je definován jako 333 konvoluce, dávková normalizace a Leaky ReLU opakující se celkem třikrát. Podvzorkování se provádí na konci každého bloku pomocí konvoluce s krokem po dvou. Po čtyřech konvolučních blocích (12 vrstev) jsou operace obráceny prostřednictvím identické síťové architektury s nahrazením postupných konvolucí (sub-vzorkování) s konvolučními transpozicemi (upsampling).
Implementace neuronové sítě
K optimalizaci obou modelů se používá funkce ztráty crossentropy softmax. Optimalizace byla provedena pomocí Adamovy techniky (20) s exponenciálními rychlostmi rozpadu, b1 a b2, nastavenýmina {{0}}.9, respektive 0,999. Rychlost učení je nastavena na 131023. Velikost dávky je nastavena na osm, s celkovým počtem 25000 iterací školení. K inicializaci se používá Xavierova normalizacezávaží před tréninkem (21). Kód algoritmu byl napsán v Pythonu 3.6, knihovně TensorFlow 2.1.0 a knihovně Keras 1.0.8. Síť je trénována na našem interním clusteru grafických procesorů, který obsahuje 48 Nvidia GeForce RTX 2080 Ti a 12 GeForce RTX Titans. Globální klasifikátor trénoval v průměru 30 minut na experiment, zatímco klasifikátor založený na voxelu trénoval 2–4 hodiny na experiment.
Hodnocení
K vyhodnocení tréninkového procesu byla použita pětinásobná strategie křížové validace. I když až tři různé ledviny od každého pacienta byly v průběhu léčby léčeny individuálnětréninkového procesu jsou všechny objemy od jednoho pacienta stratifikovány do stejné skupiny křížové validace, aby se zabránilo úniku dat. Soubor dat byl rozdělen 80:20 a poté natrénován na80 %, zatímco zbývajících 20 % bylo použito pro validaci. Trénink byl opakován celkem pětkrát s různými rozděleními 80:20, dokud nebyl celý soubor dat plně ověřen
Kromě experimentů na celé datové kohortě byly provedeny další podkohortní analýzy k vyhodnocení potenciálních matoucích proměnných. Byla použita stratifikacena základě intravenózního kontrastního stavu a vyloučení atrofických nativních ledvin u pacientů po transplantaci. Dále k vyhodnocení zobecnitelnosti modelu, models vyškolení výhradně ze skenerů Philips a GE byli validováni výhradně s daty ze skenerů Siemens.
Statistika
Naším cílem studie bylo rozlišit mezi mírnou/střední fibrózou a těžkou fibrózou na CT zobrazení ledvin. V obou přístupech bylo použito většinové pravidlo (globální slice-by-slicea na voxelu) k určení závažnostifibrosis.Chcete-li vyhodnotit výkon mezi těmito dvěma přístupy,přesnost, citlivost, specifiměsto, kladná prediktivní hodnota(PPV) a negativní prediktivní hodnota (NPV) byly vypočtenyzpozdil a porovnal. Oblast pod provozem přijímačekřivka (AUC) byla také vypočtena změnou softmaxpráh skóre profibrosis classifikation a výsledekkřivka nakreslená pro oba přístupy k porovnání. Popisstatistiky jsou vykazovány jako průměrné6SD.
