Хроническая болезнь почек (ХБП): подходит ли вам одиночная и двойная трансплантация почки?

для получения дополнительной информации:ali.ma@wecistanche.com

Часть Ⅰ: Нейронная сеть для классификации клубочков на основе гистологических изображений биопсии почки

Джакомо Донато Каскаранол, Франческо Саверио Дебитонтол и др.

Фон

Хроническое заболевание почек(ХБП) — патологическое состояние, характеризующееся функциональной дегенерациейпочка. ХБП (Хроническое заболевание почек) является 12-й причиной смерти, до 1,1 миллиона случаев во всем мире; повышенная смертность, связанная с ХБП (Хроническое заболевание почек)последних лет делает его одной из самых быстрорастущих причин смерти наряду с диабетом и деменцией [1, 2].Почкатрансплантацияявляется наилучшей заместительной почечной терапией, так как оказалась более эффективной, чем диализная терапия, с точки зрения долгосрочного риска смертности и, в то же время, оказывает меньшее влияние на систему общественного здравоохранения [3, 4].

Нажмите, чтобы Cistanche NZ для хронической болезни почек

Лиянаге и др. подсчитали, что 2,6 миллиона человек из 4,9 миллиона пациентов во всем мире получали заместительную почечную терапию в 2010 году, предполагая, что по крайней мере 2,3 миллиона человек могли умереть преждевременно из-за отсутствия доступа к соответствующей терапии [5].

В связи с возрастающей необходимостьюпочкатрансплантаты[6], в разных исследованиях пытались расширить критерии принятияпочкидля трансплантации, которые обычно исключаются из-за возраста донора и других характеристик, связанных как с качеством, так и с размерами трансплантата.почки[7,8].

Мур и др. провел сравнение между двумяпочкатрансплантацияот доноров с расширенными критериями (ECD) и отдельныхпочкатрансплантацияот параллельных РДРВ и доноров по стандартным критериям. Авторы оценили, что использование двойноготрансплантация почкиот маргинальных доноров является жизнеспособным вариантом, и что почечная функция может быть достигнута при условии, что обапочкитрансплантируются одному реципиенту [9].

Ремуцци и др. предложил методику оценкипочкаусловиепутем оценки гистологических биопсий [10]. Критерий оценки, известный как показатель Карпинского, учитывает эволюцию (в процентах) патологического состояния четырех основных функциональных областей: гломерулосклероза, канальцевой атрофии, интерстициального фиброза и артериального склероза. Этот показатель варьируется от 0 до 12, и чем выше число, тем хужесостояние почек [10-12]. почкис оценкой Карпинского от 0 до 3 и от 4 до 6 считаются подходящими дляодиночные и двойные трансплантаты, соответственно.

Лечение заболеваний почек: цистанхе и трансплантация почки

Для оценки шкалы Карпинского патологоанатомы проводят визуальную оценку гистопатологических изображений всего предметного стекла (WSI). Этот процесс обычно занимает много времени, подвержен ошибкам, а также субъективен.

Чтобы преодолеть эти недостатки, разработка систем компьютерной диагностики (CAD), основанных на анализе гистопатологических изображений тканей для поддержки вычисления оценки, является ценным шагом вперед.

Недавние литературные работы показывают применение методов обработки изображений и машинного обучения для анализапочкагистопатологическийWSI для обнаружения и классификации клубочков. Подходы к обработке изображений направлены на выделение значимых признаков, например основанных на анализе формы и текстуры; затем алгоритмы машинного обучения, такие как неглубокие или глубокие искусственные нейронные сети (ИНС), принимают решения на основе извлеченных признаков.

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 процентов) в качестве результатов.

Для комплексной детекции клубочков на изображениях целыхпочкаразделы, Kato et al. предложил новый дескриптор под названием Segmental HOG (Histogram of Oriented Gradients)[14]. Авторы заявили о надежности решения и высококачественных результатах сегментации; кроме того, авторы сравнили Segmental HOG с Rectangular HOG, показав, что первый подход значительно улучшил эффективность обнаружения.

Вместо этого несколько авторов сосредоточились на анализе формы и цвета клубочков. Kotyk et al. предложили новое решение, позволяющее справиться с широкими вариациями интенсивности и несоответствием формы и размера клубочков в почечных тельцах. Предлагаемый подход, основанный на методе анализатора частиц, позволил обнаружить почечное тельце и последующее измерение диаметра клубочка и ширины пространства Боумена. Авторы считают, что подход был устойчивым к деформациям клубочков даже при гипертрофии клубочков [15]. Анализ влияния значительного разнообразия цвета и формы ткани на целые изображения слайдов был выполнен Zhao et al. [16]. Авторы сосредоточились на извлечении ширины капсулы Боумена, чтобы разработать автоматизированную структуру извлечения клубочка из микрофотографии всей почечной ткани. Систему тестировали на почечных тканях приматов, отличных от человека, с окрашиванием гематоксилином и эозином (HE).

Букови и др. предложил другой рабочий процесс анализа. В [17] авторы разработали сверточную нейронную сеть для обнаружения клубочков в окрашенных трихромом срезах почек. Процедура была протестирована на крысах.почкиа опубликованные результаты, касающиеся классификации здоровых и поврежденных клубочков, показывают среднюю точность и полноту 96,94% и 96,79% соответственно.

В предыдущей работе Bevilacqua et al система CAD для сегментации и различения кровеносных сосудов по сравнению с канальцами из биоптатов впочкаткань была разработана и испытана [18]. Гистологические изображения с периодическим окрашиванием кислотой-Шиффом (PAS) использовались для сегментации областей интереса (ROI) и извлечения признаков Харалика, позволяющих провести последующую процедуру классификации с использованием алгоритмов, основанных на ANN. Результаты испытаний показали, что подход контролируемой ИНС был последовательным, что позволило получить хорошую производительность классификации.

Эта работа посвящена автоматической оценкепочкабиопсии, касающиеся конкретного патологического состояния, учитываемого по шкале Карпинского: гломерулосклероза, т.е. отношение склерозированных клубочков к общему количеству клубочков. Для этого решающее значение имеет обнаружение и различение склеротического состояния, поражающего клубочки, от несклеротического. Как уже сообщалось в современных работах, это сложная задача из-за широких вариаций интенсивности клубочков и несоответствий по форме и размеру.

лечение заболеваний почек:одиночные и двойные трансплантатыисследования

Комбинация различных алгоритмов извлечения признаков была разработана и оценена для распознавания состояния клубочков. В опубликованной литературе показаны конкретные и уникальные алгоритмы обработки изображений, применяемые к различным типам окрашивания и нечеловеческим WSI. Вместо этого набор функций, предлагаемых в этой работе, исходит из набора двух широко используемых, хорошо известных и универсальных семейств алгоритмов извлечения функций, т. е. морфологических и текстурных функций. Эти семейства признаков также включены в некоторые алгоритмы, предложенные в литературе, но в этой работе они были извлечены из WSI человека с окрашиванием PAS. Кроме того, конвейер классификации, подробно описанный в разделе «Методы», также включает процедуры сокращения признаков, позволяющие спроектировать неглубокую искусственную нейронную сеть. Общий рабочий процесс, предложенный в этой работе, и интеграция с процедурой, представленной в [18], позволит нам создать полную систему CAD для анализа гистопатологических WSI.

Полученные результаты

Приводятся результаты, полученные путем оценки предложенного рабочего процесса классификации на тестовом наборе. В частности, результаты относятся к производительности, полученной с учетом сокращенного набора признаков, классифицированных с использованием неглубокой ИНС с перекрестной проверкой. Как указано в таблице 1, тестовая выборка состояла из 579 изображений клубочков: 87 склеротических, 492 несклеротических.

Для оценки стабильности рабочего процесса было выполнено 10 прогонов всего процесса. Достигнутые результаты обобщены в таблице 2. В частности, результаты представлены в виде среднего значения и стандартного отклонения нескольких показателей, т. е. точности (уравнение 1), точности (уравнение 2), полноты (уравнение 3) и Мэтьюза. Коэффициент корреляции (уравнение 4) [19], оцененный в соответствии с матрицей путаницы, представленной в таблице 3.

Среди итераций лучшие результаты приведены в таблице 4, тогда как соответствующая матрица путаницы представлена ​​в таблице 5.

Реализованный рабочий процесс позволяет классифицировать склеротические и несклеротические клубочки с хорошими характеристиками (средняя MCC=0,95 и средняя точность=0,99) и низкой вариабельностью (стандарт MCC=0,01). и точность станд.<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="">

Таблица 1 Конфигурация набора данных	Таблица 2. Сравнение показателей 10 инициализаций сети

Таблица 3. Матрица путаницы для расчета метрик	Таблица 4. Сравнение показателей инициализации 10 сетей

Таблица 5. Матрица путаницы лучшей модели

Обсуждение

При оценке предложенного подхода на независимом тестовом наборе рабочий процесс классификации достиг среднего значения MCC и точности {{0}},95 и 0,99 соответственно, а также низкой вариабельности в течение 10 независимых итераций (стандарт MCC{{5}). }.01 и стандартная точность<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,="">

При реализации и оценке отчетного рабочего процесса мы столкнулись и протестировали общую проблему дисбаланса данных, которая была решена с использованием MCC в качестве коэффициента сравнения производительности и кривой ROC для выбора оптимального порога классификации. Представленные результаты свидетельствуют о том, что предложенная схема рабочего процесса надежна для исследуемой области, поддерживая клиническую практику различения двух классов клубочков.

Анализируя неправильно классифицированные клубочки, мы также обнаружили, что входные изображения, соответствующие неправильно классифицированным образцам, демонстрировали артефакты окрашивания или частичные части (в основном по краям); общие примеры приведены на рис. 1. Однако в клинической практике патологоанатомы отбрасывают такие изображения, которые также могут быть исключены из предлагаемого рабочего процесса путем разработки стратегий для заблаговременного обнаружения изображений, затронутых такими проблемами.

Лечение заболеваний почек: трансплантация одной и двух почек

НАЖМИТЕ ЗДЕСЬ, ЧТОБЫ ЧАСТЬ Ⅱ