Vývoj a ověření modelu hlubokého učení pro kvantifikaci glomerulosklerózy ve vzorcích biopsie ledvin

Kontakt:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

ÚvodVíce než 100 000 pacientů aktuálně čeká na atransplantace ledvin.1 Navzdory rostoucí potřebě se 17 až 20 procent ledvin získaných pro transplantaci vyřadí.2-4 S nedostatkem orgánů a rostoucí poptávkou potransplantace ledvinexistuje naléhavá potřeba snížit zbytečné vyhazování orgánů.3

Výsledek biopsie je uváděn jako nejdůležitější faktor při rozhodování o použití nebo vyřazení ledviny dárce.5 Četné výzkumy spojují chronické poškození u dárcebioptické vzorky ledvins výsledky transplantace.{0}} Úroveň 20 procentglobální glomerulosklerózase často používá jako mezník při rozhodování o transplantaci a je hlavním faktorem, proč je výsledek biopsie nejčastějším důvodem odmítnutí orgánu k transplantaci ve Spojených státech.4

Nedávné studie naznačují, že přijatelné ledviny jsou vyřazeny z důvodu variabilní a nekonzistentní interpretace bioptického vzorku dárce.3,13,14 I zdánlivě jednoduchá metrika, jako je procentoglobální glomerulosklerózapodléhá značným lidským variacím.{0}} K lidským chybám přispívají zamrzlé artefakty, nedostatek odborných znalostí, nedostatečné vzorkování a časově citlivá povaha těchto hodnocení.

Hluboké učení (DL) nedávno ukázalo potenciál zlepšit reprodukovatelnost a přesnost při histopatologickém vyšetření.{0}} Předchozí studie z jiných laboratoří používaly přístupy DL pro automatickou detekci nesklerotických a globálně sklerotických glomerulů.{1}}Nicméně Tyto techniky se spoléhají na speciální barvení, jako jsou barvení kyselinou jodovou – Schiff nebo Masson trichrom, které jsou nepraktické při časově citlivém nastavení zmrazených řezů. Předchozí práce členů naší skupiny popisují jediné hlášené výsledky, pokud je nám známo, vykazující vysoký výkon pro automatizovanou kvantifikaci procentglobální glomerulosklerózapomocí celosklíčkových snímků (WSI) hematoxylinem-eosinem obarvených zmrazených řezů.

cistanche dobrá kulturistika: pro posílení ledvin

Předpokládáme, že DL přístup k vyšetření dárcebioptické vzorky ledvinpředčí lidské patology v hodnocení procentglobální glomerulosklerózaa že další vylepšení bude umožněno prozkoumáním několika úrovní sekce. Předpokládá se, že tento zvýšený odběr vzorků tkáně sníží pravděpodobnost zbytečného vyřazení orgánu a bude řešit otázku, zda jsou techniky DL spojeny s podstatným zvýšením dostupného fondu dárcovských orgánů.

klíčová slova:glomeruloskleróza,ledvina, Bioptické vzorky ledvin, transplantace ledvin, globální glomeruloskleróza

MetodyTato studie se řídila směrnicí TRIPOD (Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis) pro diagnostické a prognostické studie. Tato studie byla přezkoumána a schválena institucionálním kontrolním výborem Washingtonské univerzity, který se rovněž zřekl nutnosti získat informovaný souhlas pacienta, protože tato studie používala pouze neidentifikovatelné biovzorky z existujícího souboru dat.

Sběr datWSI byly získány z bioptických vzorků od zemřelého dárce – 98 zmrazených řezů obarvených hematoxylinem a eosinem a 51 trvalých řezů – získaných z celkem 83ledvinypomocí klínových i jehlových vzorků. Bioptické vzorky ze zmrazeného řezu a bioptické vzorky z trvalého řezu byly získány z různých ledvin. Z 83 exemplářů mělo 62 alespoň 2 úrovně řezu. Snímky bioptických vzorků z databáze Washingtonské univerzity pocházejí z Gift of Life Michigan (získáno mezi srpnem 2015 a listopadem 2016 pomocí skeneru Sakura; zvětšení, ×20) a Washingtonské univerzity (získáno mezi červnem 2015 a červnem 2017 přes Mid-America Transplant pomocí Skener Aperio Scanscope CS; zvětšení, ×20). Jakýkoli zesnulý dárce orgánů, který přišel mezi těmito daty a podstoupil abiopsie ledvinpro digitální intraoperační patologické vyšetření bylo vhodné pro tuto studii. Demografické charakteristiky a klinické rysy dárců nebyly výzkumníkům známy. Všechny skeny byly převedeny z formátu SVS do formátu TIFF v plném rozlišení (0,5 μm/pixel). Velikosti snímků se pohybovaly od 105 megapixelů do 1448 megapixelů.

Anotace datSnímky byly poprvé anotovány pro nesklerotické a sklerotické glomeruly certifikovaným odborníkemledvinapatolog (PW nebo JPG), revidovaný druhým certifikovaným patologem (TCL) se zkušenostmi s interpretací dárcebioptické vzorky ledvina následuje konečná revize jiným odborníkem certifikovaným správní radouledvinapatolog (PCW nebo JPG). Konečné revidované anotace sloužily jako základní pravda (tj. zlatý standard) pro trénování a hodnocení modelů. Typická variabilita v počtu glomerulů s každou revizí je znázorněna na obrázku 1 v Dodatku. Vlastní zásuvný modul napsaný pro Fiji32 byl použit k ručnímu obrysu a klasifikaci glomerulů na každém WSI, aby se vygenerovaly masky štítků po pixelech oblastí glomerulu ve stejném rozlišení jako rodičovský WSI. Glomeruli byly klasifikovány buď jako globálně sklerotické (definované jako skleróza zahrnující celý glomerulární chomáč, včetně zastaralých, ztuhlých a mizejícíchglobální glomeruloskleróza)nebo neglobálně sklerotické. Všechny ostatní oblasti byly seskupeny a označeny tubulointerstitium. Na 149 samostatných snímcích bylo označeno celkem 1544 globálně sklerotizovaných a 6914 neglobálně sklerotizovaných glomerulů. Bioptické vzorky vykazovaly široký rozsah procentglobální glomeruloskleróza(0 procent -77 procent ). Průměrný (SD) počet glomerulů na sklíčko byl 57 (31).

Architektura modelu DLDL model použitý v této studii byla plně konvoluční neuronová síť založená na architektuře VGG1633 popsané v předchozí práci, která zahrnovala člena naší skupiny.34 Stručně řečeno, data byla vložena do předem trénované sítě založené na VGG16 s váhami zmrazenými níže úzké místo (tj. bezprostředně před hustě propojenými klasifikačními vrstvami). Hustě spojené klasifikační vrstvy VGG16 byly nahrazeny 5 plně konvolučními vrstvami s trénovatelnými závažími. Použití plně konvoluční architektury v celé síti umožnilo transformaci „obraz na obrázek“ spíše než transformaci „obrázek na štítek“ pro každý patch vstupního obrázku, přičemž druhý z nich je přístup, který je méně přesný a mnohem přesnější. výpočetně nákladný.34 Plně konvoluční model generoval převzorkované mapy pixelů registrované na záplatu vstupního obrazu, což dával pravděpodobnost, že každý výstupní pixel byl tubulointersticium, neglobálně sklerotizovaný glomerulus nebo globálně sklerotizovaný glomerulus.

Tréninkové parametryObrázky byly rozděleny na 2048 × 2048-pixely (1024 × 1024 μm) částečně se překrývající části obrazu (krok, 1664 pixelů nebo 838 μm) pro tréninkový vstup. Záplaty byly vybrány pro trénování náhodným vzorkováním z celé skupiny obrazových záplat (přibližně 6500 záplat v každé trénovací sadě křížové validace, délka jedné epochy). Vstupní záplaty byly náhodně převráceny nebo otočeny (o 0 stupňů, 90 stupňů, 180 stupňů nebo 270 stupňů), což poskytlo 8-násobné zvýšení tréninkových dat pro celkem přibližně 52 000 možných tréninkových záplat v vzorkovací bazén. Trénink byl proveden pomocí TensorFlow minimalizací kategorické ztráty zkřížené entropie, vážené třídně s použitím poměru pro sklerotizované, nesklerotizované a tubulointersticiální kategorie 10:5:1, aby se kompenzovala třídní nerovnováha. Byla použita stochastická optimalizace sestupu gradientu s cyklickou rychlostí učení mezi 1e−4 a 1e−2 a velikostí dávky 4 pro 15 epoch.

Křížová validaceModel byl trénován a testován 10-násobnou křížovou validací, kde bylo 10 procent WSI v každém násobku zabráněno trénování a výsledný model (trénovaný na zbývajících 90 procentech dat) byl použit ke generování předpovědí. na zadržených WSI. Obrázky z různých úrovní téhožledvinabyly vždy drženy spolu. K informování o trénování odpovídajícího foldu nebyly použity žádné informace z testovací sady křížové validace. Předpovědi pro zadržené snímky byly generovány po částech podle schématu kostkování obrázků popsaného výše (tj. záplaty 2048 × 2048 pixelů s krokem 1664- pixelů) a výsledky byly znovu sestaveny, aby se vytvořily výstupní mapy pravděpodobnosti pro celé WSI.

Následné zpracováníK lokalizaci jednotlivých glomerulů z pravděpodobnostních map byl použit standardní lapaciánský algoritmus detekce gaussovských kapek, dobře vhodný k identifikaci kruhových oblastí s vysokou intenzitou obrazu ve více měřítcích35. Procentoglobální glomerulosklerózabyla vypočtena podle vzorce 100 × S/N, kde S je počet globálně sklerotizovaných glomerulů a N je celkový počet glomerulů.

Statistická analýzaPixelová shoda mezi anotačními a prediktivními pravděpodobnostními mapami byla kvantifikována pomocí Dice koeficientu a průniku nad sjednocenou metrikou, vypočtené agregovaně pro všechny pixely v každém výstupním štítku. Počty glomerulů byly získány po zpracování detekce blobu na sklerotizovaných a nesklerotizovaných kanálech pravděpodobnosti. Procentoglobální glomerulosklerózabyla vypočtena z těchto počtů pro jednotlivé snímky a pro jednotlivceledviny, sloučením počtů pro všechny úrovně (obvykle 2) spojené s každouledvina.Počty glomerulů byly porovnány se základní pravdou anotací, přičemž přesnost byla hodnocena pomocí Pearsonova korelačního koeficientu r a střední hodnoty kvadratické chyby (RMSE). Odpovídající množství v procentechglobální glomerulosklerózabyly vypočteny pro odhady patologů na zavolání a tyto hodnoty byly porovnány s výkonem modelu.

Kategorizaceledvinyjako "přijatelné" pro transplantaci nebo "odmítnuté" bylo stanoveno na 20 procentglobální glomeruloskleróza, běžně používaný mezník v současné klinické praxi založený na historických datech. Skóre F1 bylo vypočítáno jako funkce správného rozlišení, zda byl vzorek nad nebo pod hranicí 20 procent s ohledem na anotace základní pravdy. Cohenův koeficient κ (ukazatel shody mezi hodnotiteli) byl také vypočítán pro diskriminaci modelu a patologů na zavolání na 20procentním mezním bodě ve srovnání s anotací základní pravdy a mezi sebou navzájem.

Protože definiceglobální glomerulosklerózaje přirozeně vyjádřena jako průměr distribuce beta dané parametry S (počet globálně sklerotizovaných glomerulů) a (N − S) (počet neglobálně sklerotizovaných glomerulů), byla použita k výpočtu 95% predikčních intervalů, které slouží jako indikátor výstupní přesnost. 2-sided P < .05="" bylo="" považováno="" za="" statisticky="" významné.="" všechny="" statistické="" analýzy="" byly="" provedeny="" od="" března="" 2018="" do="" srpna="" 2020="" s="" balíčky="" python="" scikit-learn,="" verze="" 0.22.1,="" a="" scipy.stats,="" verze="">

Výsledek

Vizualizace výstupuPředpokládané obrazové výstupy pro WSI se zmrazeným řezem a trvalým řezem ukázaly kvalitativní shodu s cílovými anotačními mapami (obrázek 1). Souhrnné Dice koeficienty byly 0.784 pro neglobálně sklerotizované glomeruly a 0.600 pro globálně sklerotizované glomeruly; agregované průniky přes unijní metriky pro stejné skupiny byly 0,645 pro neglobálně sklerotizované glomeruly a 0,429 pro globálně sklerotizované glomeruly. Je pozoruhodné, že dokonce i zmrazené řezy s podstatnými artefakty vykazovaly kvalitativní vizuální shodu mezi základní pravdou anotace a předpověďmi (příklad zobrazený na obrázku 1A).

Hodnocení procenta globální glomerulosklerózy na základě jednotlivých snímkůKřížově ověřenoglomerulosklerózapředpovědi na jednotlivých snímcích také vykazovaly korelaci s anotacemi (r {{0}}.916; 95 procent CI, 0.886-0.939; a RMSE=5.631 ; 95 procent CI, 4.{{10}}.517; P < .001)="" (obrázek="" 2a).="" oddělení="" výsledků="" technikou="" přípravy="" diapozitivů="" ukázalo,="" že="" předpovědi="" na="" zmrazených="" řezech="" vykazovaly="" podobnou="" korelaci="" s="" základní="" pravdou="" (r="0,918;" 95="" procent="" ci,="" 0.879-0,944;="" rmse="" {{{101}="" 20}},20;="" p="">< 0,001)="" (obrázek="" 3a="" v="" dodatku),="" zatímco="" stálá="" skupina="" vykazovala="" vyšší="" výkon="" (r="0,940;" 95="" procent="" ci,="" 0.896-0,965;="" rmse="4.32;" p=""><.001) (eobrázek="" 3d="" v="" dodatku).="" celkové="" počty="" glomerulů="" detekovaných="" modelem="" jsou="" znázorněny="" na="" obrázku="" 3a="" a="" b,="" které="" ilustrují="" korelace="" neglobálně="" sklerotizovaných="" glomerulů="" se="" základní="" pravdou="" (r="0.955;" 95="" procent="" ci,="" 0.938-0.967="" ;="" rmse="8,383;" p="">< 0,001)="" a="" globálně="" sklerotizované="" glomeruly="" se="" základní="" pravdou="" (r="0,934;" 95="" procent="" ci,="" 0.909-0,952;="" rmse="" {{50="" }}="" 0,718;="" p="">< 0,001).="" průměrné="" (sd)="" rozdíly="" v="" počtu="" glomerulů="" mezi="" anotací="" a="" predikcí="" byly="" 3,1="" (7,8)="" pro="" neglobálně="" sklerotizované="" glomeruly="" a="" 0,2="" (4,7)="" pro="" globálně="" sklerotizované="" glomeruly.="" podobné="" pozitivní="" výsledky="" pro="" předpokládaný="" počet="" glomerulů="" byly="" pozorovány="" při="" oddělení="" sklíček="" ošetřením="" (obrázek="" 2a,="" b,="" e="" a="" f="" v="">

Vyhodnocení procenta globální glomerulosklerózy na základě shromážděných snímků Sdružené hladiny zlepšily výkon modelu v počtu glomerulů (obrázek 3C a D; eobrázek 2C, D, G a H v příloze) a také korelaci glomerulosklerózy s poznámkami, jak je znázorněno na obrázku 2B ( r=0.933; 95 procent CI, 0.898-0.956; a RMSE=5.094; 95 procent CI, 3.{{ 13}} 0,301; P < 0,001,="" pro="" kombinované="" zmrazené="" a="" trvalé="" řezy),="" což="" zlepšuje="" výkon="" pohotovostních="" patologů="" ve="" stejných="" případech="" (r="0" 0,884;="" 95="" procent="" ci,="" 0.{21}="" },923;="" a="" rmse="6,523;" 95="" procent="" ci,="" 5.191-7,783;="" p="">< 0,001)="" (obrázek="" 2c).="" globální="" chyba="" glomerulosklerózy="" měřená="" pomocí="" rmse="" byla="" u="" modelu="" o="" 22="" procent="" nižší="" než="" u="" patologů="" na="" zavolání.="" shoda="" mezi="" předpovědí="" modelu="" globální="" glomerulosklerózy="" pro="" jednotlivé="" a="" sdružené="" úrovně="" je="" znázorněna="" na="" eobrázku="" 4="" v="" dodatku="" jako="" reziduum="" s="" ohledem="" na="" základní="" pravdu="">

léčba sexuálních poruch ledvin

Hodnocení rizika nesprávné charakterizace ledvin Sdružené výsledky procenta globální glomerulosklerózy pro anotace, modelové předpovědi a pohotovostní patology byly setříděny a vyneseny do grafu v pořadí rostoucího procenta globální glomerulosklerózy pro všech 83 ledvin zahrnutých do studie spolu s odpovídajícími 95% intervaly předpovědi a 20procentní mez pro přijetí nebo odmítnutí transplantovaného orgánu dárce (obrázek 4B-F). Vzhledem k tomu, že všechny úrovně sekce jsou v době biopsie hodnoceny patology, kteří byli přivoláni, jsou jejich výsledky považovány za souhrnná hodnocení. Ledviny s předpovědními intervaly překrývajícími 20% linii řezného bodu jsou více ohroženy chybným přijetím nebo odmítnutím, pokud jsou počty glomerulů odhadnuty nesprávně. Pravděpodobnost chybné kategorizace ledviny s více než 20 procenty globální glomerulosklerózy je znázorněna na obrázku 4A. Při použití jednotlivých snímků byla předpokládaná chybovost modelu DL o 15 procent nižší než u on-call patologů a téměř totožná s anotacemi základní pravdy (tj. ideální případ). Se sdruženými úrovněmi klesla předpokládaná chybovost modelu DL o 37 procent níže než u patologů na zavolání. Podobně předpokládaná chybovost u modelu DL pro chybné přijetí orgánů pomocí jednotlivých úrovní byla o 21 procent nižší než u patologů na zavolání a o 34 procent nižší při použití sdružených úrovní.

Skóre F1 a Cohen κ ukázaly podobné výsledky. Skóre F1 modelu DL pro jednotlivé úrovněglobální glomerulosklerózapod 20 procenty bylo 0,896 a 0,950 pro jednotlivé úrovně nad 20 procenty. Tyto metriky se zlepšily při sdružování úrovní na 0,926 pro osoby pod 2{{2{22}}}} procenty a 0,964 pro osoby nad 20 procent. To bylo ve srovnání s F1 skóre pro patology na zavolání 0,852 pro pacienty pod 20 procenty a 0,929 pro pacienty nad 20 procenty. Cohen κ pro modelové předpovědi na jednotlivých úrovních s ohledem na základní pravdu bylo 0,847, se zlepšením na 0,891 pro sdružené úrovně. Cohen K pro

pohotovostních patologů, pokud jde o sdružené anotace, byla nižší, na hodnotě 0,781, a byla 0,714 ve srovnání s předpovědí sdružené úrovně modelu. Shoda mezi výsledky patologa a modelu pro výsledky sdružených úrovní je znázorněna na eObrázku 5 v Dodatku jako reziduum s ohledem na základní pravdu, seřazené podle základní pravdyglobální glomerulosklerózaprocento a celkový počet glomerulů. Hodnota víceúrovňového vyšetření se ukáže vyhodnocením predikčních intervalů z beta distribuce. Ilustrace distribuce beta pro hypotetický bioptický vzorek s 15 procentyglobální glomerulosklerózaje znázorněno na obrázku 5A pro skupiny 1, 2, 3 a 4 úrovní, za předpokladu, že každá úroveň má 58 pozorovaných glomerulů (průměrný počet pro tuto studii). Výšku každé křivky při dané hodnotě na vodorovné ose lze interpretovat jako relativní pravděpodobnost odhadu procentglobální glomerulosklerózaaby to byla tato hodnota vzhledem ke skutečné distribuci sklerotizovaných a normálních glomerulů. Plocha pod křivkou tak poskytuje odhad pravděpodobnosti získáníglobální glomerulosklerózaodhady v mezích integrace. Distribuce se zúžila se zvýšeným sdružováním. Ještě důležitější je, že normalizovaná plocha pod křivkou za nominálním 20procentním limitem pro odmítnutí se snížila ze 14 procent při použití pouze jedné úrovně na 2 procenta při spojení 4 úrovní (obrázek 5B), což je 7-násobné snížení šance na nesprávně nadhodnocovatglobální glomerulosklerózaa chybné vyřazení toho, co by mělo být použitelným orgánem. Pro další ilustraci výhod sdružování hladin se glomeruly počítají pro 1 000 náhodně vybraných hodnocení bioptických vzorků dárců (ze stejné databáze jako 83bioptické vzorky ledvinpoužité v této studii) byly použity k simulaci účinků sdružování hladin pro velkou populaci. The

Odhady patologů na zavolání byly použity jako náhrady za počty glomerulů základní pravdy a shromažďování dat bylo simulováno vynásobením hlášených počtů na úroveň počtem simulovaných úrovní ve skupině. Při použití výše popsané analýzy na tento scénář se počet chybných vyřazených orgánů na každých 1 000ledvinywould decrease from 31 to 13 by increasing the number of levels evaluated from 1 to 4 (Figure 5C). As a demonstration of the potential clinical workflow with the incorporation of DL techniques, the DL model's predicted annotations for 25 cases from the study data set were randomly selected (5 each with 0%-5%, 6%-10%, 11%-15%, 16%-20%, and >20 procent globální glomerulosklerózy) a byly předloženy patologovi, který vyhodnotil histologické snímky s překrývajícími se modelově generovanými klasifikacemi glomerulů. Patolog poté korigoval jakékoli vynechané nebo nepřesně označené glomeruly způsobem a časovým rámcem v souladu se současnou klinickou praxí. Hodnocení upravené patologem lépe korelovalo se základní pravdou (r=0 0,958) a mělo nižší chybu (RMSE=4 0,352) než oba patologové na zavolání (r=0). 613; RMSE=0.898) nebo samotný model DL (r=0.847; RMSE=7.535) (eobrázek 7 v dodatku).

Diskuse

Model DL přinesl povzbudivé výsledky, jak v kvalitativních (vizuálních), tak v kvantitativních zjištěních, a rekapituloval výsledky popsané v dřívější práci členů naší skupiny na menším tréninkovém souboru.34 Model fungoval dobře s použitím buď zmrazených sekcí, nebo trvalých sekcí, čímž se zlepšil -zavolejte patologům výkon. Čas pro model ke zpracování individuální WSI byl přibližně 5 minut, což je v rámci typických omezení patologické intraoperační konzultace.

Zvětšení chyb počítání při použití malého vzorku zvýrazňuje hodnotu získanou ze spojení výsledků z více úrovní získaných z jednébiopsie ledvin.Typická tloušťka dárcebiopsie ledvinvzorek je 1 mm. Patolog vyšetřuje pouze reprezentativní 5-μm tlustý úsek této tkáně, přičemž podstatná část nevyhodnocenýchledvinaneprozkoumané. Ačkoli glomeruly odebrané v následujících řezech nemusí být nezávislé, proces přípravy sklíčka může vést k podstatné variabilitě jednotlivých řezů u globální glomerulosklerózy, bez ohledu na variabilitu pozorovatelů (viz obrázek 6 v Dodatku). Vyhodnocením více tkáňových řezů lze minimalizovat vliv této variability a zvýšit spolehlivost vyhodnocení bioptického vzorku. Tento přínos je jasně pozorován v této studii pro každou metriku (obrázky 2-4), která všechny vykazovala zlepšení při zkoumání další tkáně.

Současný standard péče vyžaduje hodnocení pouze 25 glomerulů a 1 až 2 úrovní řezu, protože více hodnocení není pro lidské patology prakticky dosažitelné v časově citlivém kontextu transplantace orgánů. Použití technik DL k rozšíření lidských schopností v tomto prostředí by mohlo přidat životně potřebné orgány do fondu dárců. Potenciální klinický pracovní postup se začleněním technik DL by mohl být následující: vzorek dorazí do laboratoře zmrazených řezů, kde se připraví a naskenuje sklíčko zmrazených řezů. WSI se poté nahraje na bezpečné místo pro analýzu pomocí modelu DL. Zatímco je DL model analyzován, může se patolog přihlásit a zkontrolovat vzorek pro další relevantní nálezy. Výsledek modelu DL by byl k dispozici během 5 až 10 minut, prezentován patologovi jako grafické překrytí klasifikací glomerulů na histologickém snímku, poté by patolog ověřil (a v případě potřeby upravil) a začlenil do zprávy. Skutečná zpráva by byla přímo propojena s klinickým elektronickým zdravotním záznamem.

OmezeníTato studie má určitá omezení. Jednalo se o jednocentrové studium. Ačkoli byly WSI generovány pomocí 2 skenerů ve 2 institucích, soubor dat o zmrazených řezech byl zcela vygenerován v jedné instituci, zatímco soubor dat o trvalém řezu byl generován v jiné. Ačkoli malý soubor předběžných dat (n=17) naznačoval, že modelové předpovědi na zmrazených řezech vykazovaly přiměřenou shodu s přidruženými trvalými řezy a že model překonal na těchto zmrazených řezech přivolané patology (eObrázek 8 v Dodatku), toto studie se přímo nezabývala samostatnou otázkou, jak úzce zmražené řezy (a také jejich hodnocení patology) odpovídaly trvalým řezům následně získaným a zpracovaným ze stejného bioptického vzorku.

Soubor dat byl ve srovnání s jinými studiemi DL malý. Celkem však bylo vyšetřeno téměř 8500 glomerulů, což je poměrně vysoký počet. Omezení při vyhodnocování většího počtu případů spočívá v časově náročném procesu sériového anotování WSI. Pro další vyhodnocení robustnosti tohoto modelu budou vyžadovány další studie, v nichž bude model testován pomocí WSI generovaných z dalších laboratoří a skenerů.

ZávěryTato prognostická studie zjistila lepší výkon pro kvantifikaci procentglobální glomerulosklerózaz WSI zmrazeného a trvalého transplantátu dárce obarveného hematoxylinem-eosinembioptické vzorky ledvinpodle modelu DL než u certifikovaných patologů na palubě. Výkon byl dále zlepšen zkoumáním dalších tkáňových řezů, což je proces, který vzhledem k časově citlivé povaze hodnocení bioptických vzorků dárců přesahuje možnosti patologů. Výsledky naznačovaly sníženou pravděpodobnost procenta chybné charakteristikyglobální glomerulosklerózapři použití modelu DL, čímž se sníží pravděpodobnost nevhodného vyřazení orgánu dárce nebo použití orgánu, který není optimální. Zjištění ilustrují podstatné přínosy, kterých by bylo možné dosáhnout pomocí metod DL v klinické praxi chirurgické patologie.