АбстрактныйПредыстория Цель искусственного интеллекта вРубцевание почекЦелью исследования (AIRS) является разработка инструментов машинного обучения для неинвазивной количественной оценкифиброз почекиз изображений сканирования. Методы. Мы провели ретроспективный анализ пациентов, которым была проведена одна или несколько компьютерных томографий (КТ) брюшной полости в течение 6 месяцев послебиопсия почки. Последняя когорта включала 152 компьютерных томограммы 92 пациентов, включая изображения 300 собственных почек и 76трансплантация почек. Две разные сверткинейронные сети(классификаторы уровня среза и уровня вокселей) были протестированы для дифференциации тяжелой степени от легкой/умеренной степени тяжести.фиброз почек(50% против 50%).Интерстициальный фибрози показатели канальцевой атрофии отбиопсия почкиотчеты использовались в качестве основной истины. Результаты. Две модели машинного обучения продемонстрировали одинаковую положительную прогностическую ценность ({{0}}.886 против 0.935) и точность (0.831 против 0,879). Выводы. Подводя итог, можно сказать, что алгоритмы машинного обучения являются многообещающим неинвазивным диагностическим инструментом дляколичественно оценить фиброз почекиз КТ. Клиническая полезность этих инструментов прогнозирования с точки зрения предотвращения биопсии почки и связанного с ней риска кровотечения у пациентов с тяжелым фиброзом еще предстоит подтвердить в проспективных клинических исследованиях.
КАК ВРЕМЯ ДЕЙСТВИЯ ЦИСТАНША ДЛЯ ПАЦИЕНТОВ С ПОЧКАМИ?
Введение
Чрескожная биопсия почки под контролем УЗИ остается стандартом лечения, когда гистологический диагноз необходим для лечения протеинурии, микроскопической гематурии, отторжения трансплантата или необъяснимой дисфункции почек (1,2). Степень фиброза почек или тяжесть ХБП часто неизвестна во время биопсии почки (3). Биопсия почки, выявляющая тяжелый (0,50%) фиброз, может уточнить диагноз заболевания, но вряд ли изменит клиническое лечение и подвергнет пациентов риску кровотечения, связанного с процедурой (4). Осложнения после биопсии варьируются от транзиторной гематурии до опасного для жизни кровотечения и коррелируют с факторами риска, которые включают повышенное артериальное давление, пожилой возраст, анемию, низкое количество тромбоцитов, снижение функции почек и нарушения гемостаза (5). Недавний метаанализ 118,064 биопсий почек под ультразвуковым контролем показал, что частота случаев переливания крови, ангиографического вмешательства и смертности составила 2%, 0,3% и 0,06% соответственно (6).
Оценка тяжести ХБП имеет решающее значение при рассмотрении рисков и преимуществ биопсии почки, но неинвазивные методы оценки степени фиброза недостаточно развиты (7). Исследования, в которых изучались методы ультразвука (включая визуализацию скорости сдвиговой волны, транзиентную эластографию, эластографию в реальном времени, допплерографию и ультразвуковую кортикомедуллярную деформацию), отметили противоречивую корреляцию со степенью фиброза по гистологии почек (3,8,9). Кроме того, эти методы сильно зависят от внешних факторов, таких как артериальное давление, масса почек, масса тела и приложенная сила датчика, не говоря уже о высокой вариабельности внутри и между наблюдателями (3). Недавний отчет обнаружил тесную корреляцию междуразмер почек, определенный ультразвуком, с предполагаемой функцией почек (рСКФ), но не оценивалсяпочкафиброз(10). Кирпалани и др. сообщили, что эластография с помощью магнитно-резонансной томографии была многообещающей с точки зрения корреляции показателей жесткости с фиброзом почек (11), но не исследовали инструменты машинного обучения как средство оптимизации точности прогнозирования.
Компьютерная томография (КТ) позволяет получать изображения почечной ткани с высоким разрешением при минимальном радиационном воздействии на пациента (7). Технология машинного обучения в сочетанииИспользование компьютерной томографии является многообещающим направлением для неинвазивная оценка почекфиБрозис, вместо текущегогистологический стандарт лечения. Глубокое обучение сверточноенейронные сети (CNN) — это новая форма машинного обучения.ing, который может выделить соответствующие закономерности из егоТология, визуализация или другие клинические данные, полезные для заболевания
характеристика (12,13). Технология CNN для диагностики изучалась в самых разных условиях: от внутричерепного кровоизлияния и рака до пневмонии иаппендицит (14–17).
Целью исследования «Искусственный интеллект при рубцевании почек» (AIRS) является разработка инструментов CNN для количественной оценки фиброза почек в качестве компьютерной диагностической альтернативы биопсии почки. Два алгоритма CNN (классификаторы на уровне срезов и на уровне вокселей) были обучены анализировать КТ-изображения нативных и трансплантированных почек для классификации степени фиброза на основе достоверных показателей фиброза, полученных при биопсии почек у одних и тех же пациентов. В этом пилотном анализе мы сосредоточились на разграничении фиброза легкой/умеренной степени тяжести и тяжелого (менее 50% против 50%) как клинически значимой дихотомии, которая может быть полезна нефрологу, рассматривающему возможность биопсии почки для своего пациента. Мы демонстрируем, что алгоритмы CNN могут дифференцировать тяжелый фиброз почек от легкого/умеренного с высокой степенью точности.
Материалы и методы
База данных пациентов. Это ретроспективный анализ биопсий почек, проведенный в Медицинском центре Калифорнийского университета в Ирвине в период с 2014 по 2019 год. Мы выявили пациентов, у которых КТ брюшной полости стоимостью 1 доллар был выполнен в течение 6 месяцев после биопсии почки. После первоначальной проверки системы медицинских записей 42 пациента, прошедших визуализацию, были исключены по следующим причинам: КТ, проведенная вне периода включения (0,6 месяца с даты биопсии, n53); магнитно-резонансная томография брюшной полости, но КТ в системе не обнаружено (n56); пациенты случайно пропустили процесс аннотации (n52); нативные почки, несегментированные у пациента, перенесшего трансплантацию (n51); некачественное сканирование с аппаратным артефактом (n51); и внешние исследования изображений, которые не хранились в долгосрочных архивах изображений (n529). Оставшиеся 152 КТ-скана от 92 пациентов были загружены и аксиальный реконструированный объем мягких тканей был извлечен для дальнейшего анализа. Большинство КТ (79%) проводились без внутривенного контрастирования; 129 сканирований было проведено на сканере Philips, 22 на сканере Siemens и одно на сканере GE Medical Systems.
Патологоанатом (JEZ) просмотрел случайную выборку пациентов, чтобы подтвердить, что степень фиброза точно документирована в отчетах о биопсии почки. У дискордантных пациентов второй патологоанатом просматривал слайды, чтобы определить основную истину (см. Благодарности). Истинная степень фиброза почек по данным биопсии рассматривалась как бинарный результат: легкая/умеренная или тяжелая (интерстициальный фиброз и тубулярная атрофия, 50% против 50%). Нативные почки на компьютерной томографии пациентов, которым была проведена трансплантация, автоматически классифицировались как тяжелый фиброз. Демографические данные и сопутствующие заболевания были собраны в базе данных REDCap, а доступ к КТ-изображениям осуществлялся, как описано ниже. Все процедуры исследования были одобрены Институциональным наблюдательным советом Калифорнийского университета в Ирвайне.
Аннотация
Снимки компьютерной томографии были перенесены из системы архивирования и передачи изображений нашей больницы в безопасную внутреннюю базу данных. Для создания достоверных трехмерных бинарных масок, соответствующих нативным правой и левой почкам, а также любым почечным трансплантатам, если таковые имеются, использовался специальный запатентованный веб-инструмент для аннотаций. Инструмент аннотаций был реализован как простая утилита кисти без каких-либо пороговых значений или расширенных функций контурирования. Два студента-исследователя (HRT, KAPR) выступали в качестве основных аннотаторов, а старший радиолог (PDC) впоследствии просматривал каждого пациента и уточнял аннотации области интереса, где это было необходимо.
Предварительная обработка изображений
Используя аннотированные маски объема почек в качестве шаблона, каждая почка была обрезана и преобразована в изотропный объем воксела 96 3 96396. Эта передискретизация оперыТребовалось обеспечить, чтобы все входные данные модели имели одинаковый размер матрицы и учитывались ограничения памяти графического процессора. Учитывая объемысначала были обрезаны правая и левая почки, и поскольку почки составляют лишь небольшую часть исходного объема КТ, окончательные размеры вокселей после повторной выборки были одинаковыми в разрешении.решение исходных данных. Затем каждый обрезанный объем был нормализован путем обрезки всех значений вокселей до диапазона от 2150 до 250 единиц Хаунсфилда и масштабирован с коэффициентом 1:50. ЛюбойОдно исследование в этом наборе данных может содержать до трех отдельных обрезанных почек, используемых для обучения алгоритма: (родная) левая, (родная) правая и трансплантат. Для любого отдельного ребенкаВсего для обучения было использовано 96 двумерных (2D) изображений (размером 96396).
Подход CNN
Были протестированы и сравнены две разные пользовательские 2D-сети CNN, чтобы отличить тяжелый фиброз почек от легкого/умеренного. Первый алгоритм представляет собой стандартный глобальныйпосрезовый классификатор CNN, предназначенный для прогнозирования одной из трех взаимоисключающих категорий для каждого 2D-изображения: отсутствие почек, легкий/умеренный фиброз и тяжелый фиброз.Второй алгоритм представляет собой классификатор CNN на уровне пикселей, реализованный с помощью полностью сверточной архитектуры U-Net для одновременной сегментации и классификации. В
В обеих моделях окончательная классификация игнорирует срезы или вокселы без почек, а правило большинства агрегируется по остальным предсказаниям. Оба алгоритма реализованыс использованием современной сетевой архитектуры сжатия и возбуждения, самой эффективной модели ImageNet Large Scale Visual Recognition Challenge в 2017 году (18).Подход сети сжатия и возбуждения позволяет сетям адаптивно перекалибровывать характеристики по каналам на основе различных входных данных модели путем обучения.
взаимозависимости между каналами (рис. 1).
Рисунок 1.|Тепловые карты прогнозирования, созданные алгоритмом глубокого обучения, определяющие области подозреваемого «тяжелого» фиброза в почках. Слева направо показаны почки от нормального до тяжелого фиброза с прогрессирующей степенью предполагаемой фиброзной паренхимы. Окончательные средние прогнозы, нормализованные по softmax, для всей почки показаны в нижнем ряду в диапазоне от 0.0 до 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; и 0.8–1,0.
Глобальный послойный классификатор
Глобальный классификатор CNN представляет собой специальную архитектуру, основанную на VGG, реализованную с модулями возбуждения сжатия на каждом уровне. Входные данные модели представляют собой один 2D-срез (96396).а выходные данные модели представляют собой трехэлементный логит-вектор, представляющий прогноз трех классов. CNN состоит из четырех сверточных блоков, где каждый блок определяется как 333свертка, пакетная нормализация и ReLU повторяются в общей сложности три раза. Подвыборка выполняется в конце каждого блока посредством свертки с шагом в два. После
четыре сверточных блока (12 слоев), окончательная карта объектов сглаживается и используется в качестве входных данных в один полностью связный слой.
Классификатор уровня вокселей
Классификатор CNN на уровне вокселей представляет собой специальную архитектуру, основанную на U-Net, реализованную с модулями возбуждения сжатия на каждом уровне (19). Входные данные модели представляют собой один 2D-срез (96396), а выходные данные модели — одну 2D-маску сегментации (96396) с трехклассным прогнозом в каждом местоположении воксела. CNN состоит из четырех сжимающихся сверточных блоков, где каждый блок определяется как 333 свертка, пакетная нормализация и Leaky ReLU, повторяющиеся в общей сложности три раза. Подвыборка выполняется в конце каждого блока посредством свертки с шагом в два. После четырех сверточных блоков (12 слоев) операции меняются местами через идентичную сетевую архитектуру с заменой пошаговых сверток (суб-выборка) со сверточным транспонированием (повышающая дискретизация).
Реализация нейронной сети
Функция кроссэнтропийных потерь softmax используется для оптимизации обеих моделей. Оптимизация проводилась с использованием метода Адама (20) с экспоненциальными скоростями затухания b1 и b2, заданнымидо {{0}},9 и 0,999 соответственно. Скорость обучения равна 131023. Размер пакета равен восьми, всего 25000 итераций обучения. Нормализация Ксавье используется для инициализациивеса перед тренировкой (21). Код алгоритма написан на Python 3.6, библиотеке TensorFlow 2.1.0 и библиотеке Keras 1.0.8. Сеть обучается на нашем собственном кластере графических процессоров, который содержит 48 Nvidia GeForce RTX 2080 Ti и 12 GeForce RTX Titans. В среднем глобальный классификатор обучался 30 минут на эксперимент, тогда как классификатор на основе вокселей обучался 2–4 часа на эксперимент.
Оценка
Для оценки процесса обучения использовалась пятикратная стратегия перекрестной проверки. Хотя до трех разных почек каждого пациента в ходе лечения лечили индивидуально.В процессе обучения все тома от одного пациента стратифицируются в одну и ту же группу перекрестной проверки, чтобы предотвратить утечку данных. Набор данных был разделен 80:20, а затем обучен на80%, тогда как остальные 20% использовались для проверки. Обучение повторялось пять раз с разными разделениями 80:20, пока весь набор данных не был полностью проверен.
В дополнение к экспериментам на всей когорте данных был проведен дополнительный анализ подгрупп для оценки потенциальных искажающих переменных. Была применена стратификацияна основании внутривенного контрастного статуса и исключения атрофических собственных почек у пациентов, перенесших трансплантат. Кроме того, чтобы оценить обобщаемость модели, modУчастники, обученные исключительно с помощью сканеров Philips и GE, были проверены исключительно на данных со сканеров Siemens.
Статистика
Целью нашего исследования было отличить легкий/умеренный фиброз от тяжелого фиброза на КТ почек. В обоих подходах использовалось правило большинства (глобальный срез за срезом).и на основе вокселей) для определения серьезностифиброз.Чтобы оценить производительность между двумя подходами,точность, чувствительность, спец.фигород, положительная прогностическая ценность(PPV) и отрицательную прогностическую ценность (NPV) рассчитывали.отложил и сравнил. Зона под работающим ресиверомкривая (AUC) также рассчитывалась путем изменения softmaxпорог оценки дляфиБрозис Классификатион и результаткривая, построенная для обоих подходов для сравнения. Описаниетивные статистические данные представлены как средние6СД.
