Chronické ochorenie obličiek (CKD): Ste vhodní na jednu a dvojitú transplantáciu obličiek?

pre viac informácií:{0}}

Časť Ⅰ: Neurónová sieť na klasifikáciu glomerulov na základe histologických snímok biopsie obličiek

Giacomo Donato Cascaranol, Francesco Saverio Debitontol a kol.

Pozadie

Chronické ochorenie obličiek(CKD) je patologický stav charakterizovaný funkčnou degeneráciouobličky. CKD (Chronické ochorenie obličiek) je 12. príčinou smrti s celosvetovo až 1,1 miliónom prípadov; zvýšená mortalita súvisiaca s CKD (Chronické ochorenie obličiek)v posledných rokoch z neho robí jednu z najrýchlejšie rastúcich príčin úmrtí popri cukrovke a demencii [1, 2].Obličkytransplantáciaje najlepšou renálnou substitučnou terapiou, pretože sa ukázalo, že je účinnejšia ako dialyzačná liečba z hľadiska rizika dlhodobej úmrtnosti a zároveň má znížený dopad na systém verejného zdravotníctva [3, 4].

Kliknite na Cistanche NZ pre chronické ochorenie obličiek

Liyanage a kol. Odhaduje sa, že v roku 2010 dostalo 2,6 milióna ľudí zo 4,9 milióna pacientov na celom svete substitučnú terapiu obličiek, čo naznačuje, že najmenej 2,3 milióna ľudí mohlo predčasne zomrieť, pretože nebola dostupná vhodná liečba [5].

Vzhľadom na rastúcu potrebuobličkytransplantácie[6] sa rôzne štúdie pokúšali rozšíriť kritériá na prijatieobličkyna transplantáciu, ktoré sú vo všeobecnosti vylúčené na základe veku darcu a iných charakteristík súvisiacich s kvalitou a rozmermiobličky[7,8].

Moore a kol. vykonal porovnanie medzi duálomobličkytransplantáciaod darcov rozšírených kritérií (ECD) a slobodnýchobličkytransplantáciaod súbežných ECD a darcov podľa štandardných kritérií. Autori zhodnotili, že použitie duáltransplantácia obličkyod marginálnych darcov je životaschopnou možnosťou a že funkciu obličiek možno dosiahnuť za predpokladu, že obojeobličkysú transplantované jednému príjemcovi [9].

Remuzzi a kol. navrhol techniku ​​na posúdenieobličkystavehodnotením histologických biopsií [10]. Hodnotiace kritérium, známe ako Karpinského skóre, zvažuje vývoj (v percentách) patologického stavu štyroch hlavných funkčných oblastí: glomeruloskleróza, tubulárna atrofia, intersticiálna fibróza a arteriálna skleróza. Toto skóre sa pohybuje od 0 do 12 a čím vyššie číslo, tým horšiestav obličiek [10-12]. Obličkys Karpinského skóre od 0 do 3 a od 4 do 6 sa považujú za vhodnéjednoduché a dvojité transplantácie, resp.

Liečba ochorenia obličiek: cistanche a transplantácia obličky

Na posúdenie Karpinského skóre vykonajú patológovia vizuálne vyhodnotenie histopatologických obrázkov celých snímok (WSI). Tento proces je zvyčajne časovo náročný, náchylný na chyby a tiež subjektívny.

Na prekonanie týchto nedostatkov je cenným pokrokom vývoj systémov počítačom podporovanej diagnostiky (CAD) založených na analýze obrazu histopatologického tkaniva na podporu výpočtu skóre.

Nedávne literárne práce poukazujú na využitie techník spracovania obrazu a strojového učenia na analýzuobličkyhistopatologickéWSI na detekciu a klasifikáciu glomerulov. Prístupy spracovania obrazu majú za cieľ extrahovať zmysluplné črty, napr. tie, ktoré sú založené na analýze tvaru a textúry; potom algoritmy strojového učenia, ako sú plytké alebo hlboké umelé neurónové siete (ANN), rozhodujú na základe extrahovaných funkcií.

Simon et al, for example, proposed texture-based features set as a simple but effective automatic method for glomeruli localization [13]. The authors applied the algorithm on renal tissue sections and biopsies of large histopathological WSIs. The features extracted from an adaptation of the Local Binary Pattern (LBP) algorithm were used to train a Support Vector Machine(SVM)model. The authors reported high precision(>90%) and reasonable recall (>70 percent) ako výsledok.

Vykonať komplexnú detekciu glomerulov v obrazoch celkuobličkysekcie, Kato a kol. navrhol nový deskriptor s názvom Segmental HOG (Histogram of Oriented Gradients)[14]. Autori tvrdili robustnosť riešenia a kvalitné segmentačné výstupy; okrem toho autori porovnali segmentový HOG s obdĺžnikovým HOG, čo ukazuje, že prvý prístup dosiahol významné zlepšenie výkonu detekcie.

Niekoľko autorov sa namiesto toho zameralo na analýzu tvaru a farby glomerulov. Kotyk et al. navrhli nové riešenie, ako čeliť veľkým zmenám intenzity a nekonzistentnosti, pokiaľ ide o tvar a veľkosť glomerulov v obličkovom teliesku. Navrhovaný prístup, založený na technike Particles Analyzer, umožnil detekciu renálneho telieska a následné meranie priemeru glomerulu a šírky Bowmanovho priestoru. Autori hodnotia, že prístup bol robustný voči deformáciám glomerulov aj pri glomerulárnej hypertrofii [15]. Analýzu účinkov významnej diverzity farieb a tvaru tkaniva na celé snímky sklíčka vykonali Zhao et al. [16]. Autori sa zamerali na extrakciu šírky Bowmanovej kapsuly, aby navrhli automatizovaný rámec extrakcie glomerulov z mikrofotografie celého obličkového tkaniva. Systém bol testovaný na obličkových tkanivách primátov (okrem človeka) farbením hematoxylínom a eozínom (HE).

Bukowy a kol. navrhol iný analytický pracovný postup. V [17] autori vyvinuli konvolučnú neurónovú sieť na detekciu glomerulov v rezoch obličiek zafarbených trichrómom. Postup bol testovaný na potkanochobličkya hlásené výsledky týkajúce sa klasifikácie zdravých a poškodených glomerulov ukazujú priemernú presnosť a vybavovanie 96,94 percenta a 96,79 percenta.

V predchádzajúcej práci Bevilacqua et al, CAD systém na segmentáciu a rozlišovanie krvných ciev verzus tubuly z biopsií vobličkytkanivo bolo navrhnuté a testované [18]. Histologické snímky s farbením Periodic Acid-Schiff (PAS) sa použili na segmentáciu oblastí záujmu (ROI) a extrahovanie Haralickových vlastností, čo umožňuje následný klasifikačný postup pomocou algoritmov založených na ANN. Výsledky testov určili, že kontrolovaný prístup ANN bol konzistentný, čo umožnilo dosiahnuť dobrý výkon klasifikácie.

Táto práca sa zameriava na automatické vyhodnocovanieobličkybiopsie, zaoberajúce sa špecifickým patologickým stavom posudzovaným Karpinského skóre: glomeruloskleróza, tj. pomer medzi sklerotizovanými glomerulami a celkovým počtom glomerulov. Na to je rozhodujúca detekcia a rozlíšenie sklerotického stavu postihujúceho glomeruly od nesklerotických. Ako už bolo uvedené v prácach zo súčasného stavu techniky, ide o náročnú úlohu v dôsledku veľkých variácií intenzity glomerulov a nezrovnalostí v tvare a veľkosti.

liečba ochorenia obličiek:jednoduché a dvojité transplantácievýskumov

Na rozlíšenie stavu glomerulov bola navrhnutá a vyhodnotená kombinácia rôznych algoritmov extrakcie funkcií. Uvedená literatúra ukazuje špecifické a jedinečné algoritmy spracovania obrazu aplikované na rôzne typy farbenia a nehumánne WSI. Súbor funkcií navrhnutých v tejto práci namiesto toho pochádza zo súboru dvoch široko používaných, dobre známych a všeobecných tried algoritmov na extrakciu funkcií, tj morfologických a textúrnych prvkov. Tieto rodiny funkcií sú tiež zahrnuté v niektorých algoritmoch navrhovaných v literatúre, ale v tejto práci boli extrahované z ľudských WSI s farbením PAS. Okrem toho, klasifikačný kanál, podrobne popísaný v časti Metódy, zahŕňa aj postupy na redukciu vlastností umožňujúcich návrh plytkej umelej neurónovej siete. Celkový pracovný postup navrhnutý v tejto práci a integrácia s postupom uvedeným v [18] nám umožní vybudovať kompletný CAD systém na analýzu histopatologických WSI.

Výsledky

Uvádzajú sa výsledky získané vyhodnotením navrhovaného pracovného postupu klasifikácie na testovacom súbore. Výsledky sa vzťahujú najmä na výkonnosť získanú vzhľadom na obmedzený súbor znakov klasifikovaných pomocou krížovo overenej plytkej ANN. Ako je uvedené v tabuľke 1, testovací súbor pozostával z 579 zobrazení glomerulov: 87 sklerotických, 492 nesklerotických.

Na vyhodnotenie stability pracovného toku bolo vykonaných 10 cyklov celého procesu. Dosiahnuté výsledky sú zhrnuté v tabuľke 2. Konkrétne sú výsledky uvedené v zmysle priemeru a štandardnej odchýlky niekoľkých metrík, tj Presnosť (Rov. 1), Presnosť (Rov. 2), Recall (Rov. 3) a Matthews Korelačný koeficient (Rov. 4)[19], vyhodnotený podľa matice nejasností uvedenej v tabuľke 3.

Spomedzi iterácií sú najlepšie výsledky uvedené v tabuľke 4, zatiaľ čo zodpovedajúca matica nejasností je uvedená v tabuľke 5.

Implementovaný pracovný postup umožňuje klasifikáciu sklerotických a nesklerotických glomerulov s dobrou výkonnosťou (priemerná MCC=0.95 a priemerná presnosť=0.99) a nízkou variabilitou (MCC std=0.01 a Presnosť 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="">

Tabuľka 1 Konfigurácia množiny údajov	Tabuľka 2 Porovnanie metrík 10 inicializácii siete

Tabuľka 3 Matica zmätku pre výpočet metrík	Tabuľka 4 Porovnanie metrík 10 inicializácie siete

Tabuľka 5 Matica zmätku najlepšieho modelu

Diskusia

Pri vyhodnotení navrhovaného prístupu na nezávislom testovacom postupe dosiahol pracovný postup klasifikácie priemernú hodnotu MKC a presnosť {{0}},95 a 0,99, v uvedenom poradí, a nízku variabilitu počas 10 nezávislých iterácií (MCC std{{5} }.01 a Presnosť 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,="">

Pri implementácii a vyhodnocovaní ohláseného pracovného toku sme čelili a testovali bežný problém nevyváženosti údajov, ktorý bol vyriešený použitím MCC ako koeficientu porovnávania výkonu a krivky ROC na výber optimálneho prahu klasifikácie. Uvedené výsledky naznačujú, že navrhované nastavenie pracovného toku je spoľahlivé pre skúmanú doménu, čo podporuje klinickú prax rozlišovania dvoch tried glomerulov.

Analýzou nesprávne klasifikovaných glomerulov sme tiež zistili, že vstupné obrázky zodpovedajúce nesprávne klasifikovaným vzorkám vykazovali farbiace artefakty alebo čiastočné časti (väčšinou na okrajoch); bežné príklady sú uvedené na obr. 1. V klinickej praxi však patológovia vyraďujú také snímky, ktoré by tiež mohli byť vylúčené z navrhovaného pracovného postupu, a to navrhnutím stratégií na predbežnú detekciu snímok ovplyvnených takýmito problémami.

Liečba ochorenia obličiek: jednoduchá a dvojitá transplantácia obličiek

KLIKNITE SEM PRE PART Ⅱ