ČASŤ Ⅲ: Vývoj a hodnotenie segmentácie histologických štruktúr v obličkovej kôre s viacerými histologickými škvrnami na základe hlbokého učenia

Kontakt: Audrey Hu (Whatsapp:008613880143964) E-mail:audrey.hu@wecistanche.com

Catherine P. Jayapandian, Yiiang Chen, Andrew R. Janowczyk a kol.

Hodnotenie renálnej biopsie je jedinečné v porovnaní s inými vzorkami z chirurgickej patológie kvôli rôznorodosti rutinne používaných škvŕn. Morfologické hodnotenie histologických preparátov závisí od kvality samotných preparátov, ako aj od odborných znalostí patológa pri identifikácii normálnych a patologické štruktúry. Autori demonštrujú, že "konvolučné neurónové siete založené na hlbokom učení" možno použiť na účinnú a spoľahlivú segmentáciu histologických štruktúr naprieč rôznymi škvrnami normálneho renálneho parenchýmu pomocou celých snímok siete pre štúdium nefrotického syndrómu. Tento súbor údajov bol vybraný z 38 histologických laboratórií a odráža podstatnú morfologickú, technickú heterogenitu a heterogenitu sfarbenia. Zistenia poskytujú užitočné informácie spolu so zdrojovým kódom a údajmi, ktoré čitateľom pomôžu prekonať výzvy v tomto priestore. Celkovo táto práca predstavuje technický základ, z ktorého môžu byť postavené budúce nástroje patológie, aby sa umožnili použiteľné nástroje na podporu klinického rozhodovania pre lepšiu charakterizáciu chorôb a hodnotenie rizík v pracovných postupoch patológie.

KLIKNITE SEM PRE PARTⅠ&Ⅱ

cistanche a cistanche extrakt

METÓDY

Výber množiny údajov prípadu a obrázka

Táto štúdia sa uskutočnila pomocou digitálnych obličkových biopsií z digitálneho úložiska patológie NEPTUNE. NEPTUNE je severoamerické multicentrické spolupracujúce konzorcium s viac ako 650 dospelými a deťmi z 29 náborových pracovísk (38 patologických laboratórií). Do tejto štúdie boli zahrnuté iba prípady s diagnózou MCD, pretože histologicky sú najviac podobné normálnemu renálnemu parenchýmu. Celkovo sa použilo 459 vyliečených WSI (125 H&E, 125 PAS, 102 SIL, 107 TRI) zo 125 obličkových biopsií MCD. Nie všetky prípady mali všetky škvrny dostupné v digitálnom patologickom úložisku. Pre každého pacienta boli vybrané štyri WSI (1 WSI na škvrnu). Z každého WSI sa náhodne vybralo približne 3 až 5 oblastí záujmu obsahujúcich histologické primitíva, ktoré skontroloval patológ a manuálne extrahovali ako dlaždice s rozmermi 3 000 × 3 000, potom sa uložili ako obrázky 8-bitovej červenej reenovej modrej (RGB) vo formáte PNG pri 40× digitálnom zväčšení. Ďalšie podrobnosti o digitalizácii a liečbe bioptických WSI nájdete na doplnkovom obrázku S1.

Nezávislá validácia modelov DL. Šesť WSI z 3 vzoriek z nefrektómie fixovaných vo formalíne a zaliatych do parafínu bolo zahrnutých na testovanie výkonu siete DL na segmentáciu všetkých histologických primitív na parenchýme obličiek dospelých bez významných štrukturálnych abnormalít. Rezy zo vzoriek z nefrektómie boli zafarbené PAS, naskenované do WSI a následne zafarbené protilátkou CD34, markerom endotelových buniek, a potom znovu naskenované do WSI. Z WSI zafarbených PAS bolo extrahovaných 175 náhodných ROI (3000 × 3000 pixelov). Dvojito zafarbené WSI PAS-CD34 sa použili ako základná pravda na validáciu prístupu segmentácie DL pre peritubulárne kalály.

Histologické primitíva a manuálna segmentácia

Päť obličkových patológov manuálne segmentovalo ROI, aby stanovili základnú pravdu pre histologické primitívy (tabuľka 2). Manuálne segmentácie sa generovali pomocou softvérovej aplikácie s otvoreným zdrojovým kódom.5 Anotácie základnej pravdy boli uložené ako binárne masky; to znamená, že každý pixel, ktorý bol označený ako súčasť histologického primitíva (pozitívne pixely triedy vyjadrené ako binárne ls) alebo nie (negatívna trieda pixely vyjadrené ako binárne Os). Prostredníctvom tohto procesu urobili patológovia 30 048 anotácií na 1818 ROI (obrázok 10).

Na túto štúdiu sa použilo šesť histologických primitív: glomerulárny chumáč, glomerulárna jednotka (chumáč plus Bowmanova kapsula), proximálne tubulárne segmenty, distálne tubulárne segmenty, artérie a arterioly a peritubulárne kapiláry. Konzistentné a podrobné označenia základnej pravdy naprieč všetkými trénovacími vzorkami môžu výrazne uľahčiť robustný výkon DL, najmä v úlohách segmentácie.24,32,3650-4 Aby sa vytvorili konzistentné anotácie na všetkých obrázkoch, každé histologické primitívum a jeho hranice boli starostlivo definované a anotačný postup pre každý prípad použitia je štandardizovaný (doplnkový obrázok S2). Okrem toho bola každá anotácia vytvorená patológom preskúmaná druhým patológom na posúdenie kvality.

bylina cistanche je účinnou zložkou liekov na zlepšenie funkcie obličiek

DL experimentálny pipeline a tréningové metódy

DL dátový súbor. Na segmentáciu glomerulárneho trsu a jednotky a proximálnych a distálnych tubulárnych segmentov sa použili až štyri WSI na biopsiu (H&E, PAS, TRI a SIL pre každú). Peritubulárne kapiláry boli segmentované iba pomocou PAS WSI a artérie/arterioly boli segmentované iba v H&E, PAS a TRI WSI (tabuľka 2). WSI boli rozdelené na úrovni pacienta na tréningové, validačné a testovacie sady (pomer 6:1:3). Siete boli vyvinuté pomocou WSI dospelých aj detských pacientov (doplnkový obrázok S1). Na trénovanie siete U-Net 5 patológov anotovalo 1196 glomerulárnych trsov a jednotiek, 4669 proximálnych a 2285 distálnych tubulárnych segmentov, 19 280 peritubulárnych kapilár a 2261 artérií/arteriol (tabuľka 2).

Konfigurácia siete a školenie. Štandardná architektúra U-Net s mierne upravenými parametrami bola implementovaná do rámca PyTorch na trénovanie každého prípadu použitia (obrázok 11). Podrobnosti o konfigurácii U-Net, trénovacích metódach vrátane vyvažovania trénovacej sady a rozšírení údajov nájdete v Doplnku S3.

Detection and segmentation metrics. Detection and segmentation results were evaluated using F-Score, true positive rate/Values of (TPR), positive predictive value (PPV),and DSC. 0 and 1 represent the maximal discordance and agreement, respectively, between the pathologist ground truth and the U-Net results. TPR, PPV, and F-Score measure the detection accuracy of the DL networks. These metrics are computed using the number of correct segmentation results(true positives), incorrect segmentations(false positives), and missing segmentations(false negatives). DSC is the pixel wise spatial overlap index that measures the segmentation accuracy of the classifier, with values ranging from 0(indicating no spatial overlap between ground truth annotation and corresponding DL output mask) to 1(indicating complete overlap), and a DSC value >0.5 označujúce správnu segmentáciu (skutočne pozitívne).

Počet tréningových príkladov pre rôzne histologické primitívy

Aby sme otestovali, ako počet ručne anotovaných tréningových príkladov ovplyvňuje výkon siete, vybrali sme reprezentatívny súbor histologických primitív založených na veľkosti, zložitosti, distribúcii a farbe: glomerulárne trsy na H&E, peritubulárne kapiláry na PAS, distálne tubulárne segmenty na TRI a tepien/arteriol na SIL. Konkrétne sme sa snažili vyhodnotiť minimálny počet anotovaných príkladov pre vstávanie trénovaných modelov U-Net pre každý typ histologického primitíva. Za týmto účelom sa pre každý typ primitív vycvičilo viacero modelov U-Net, zakaždým s väčším počtom anotovaných príkladov. Presnosť detekcie a segmentácie sa potom vypočítala pre každý takýto model U-Net pre každé primitívum na zodpovedajúcich testovacích súboroch (obrázok 8).

cistanche benefit: liecba kliecovych chorob

Poznámka: Cistanche je známa tradičná liečivá bylina na ochorenia obličiek. cistanche obsahuje hlavné účinné zložky ako echinakozid a akteozid, ktoré môžu vyživovať obličky a zlepšovať funkciu obličiek. V 《SHENGNONG MEDICA express cistanche je zaznamenaná ako vrchná bylina na zlepšenie funkcie kindey.