Krooninen munuaissairaus (CKD): soveltutko yhden ja kaksoismunuaisen siirtoihin?

lisätietoja:ali.ma@wecistanche.com

Osa Ⅰ: Munuaisbiopsian histologisiin kuviin perustuva hermoverkko glomerulusten luokitteluun

Giacomo Donato Cascaranol, Francesco Saverio Debitontol & et ai.

Tausta

Krooninen munuaissairaus(CKD) on patologinen tila, jolle on tunnusomaista kudosten toiminnallinen rappeutuminenmunuainen. CKD (Krooninen munuaissairaus) on 12. kuolinsyy jopa 1,1 miljoonalla tapauksella maailmanlaajuisesti; CKD:hen liittyvä lisääntynyt kuolleisuus (Krooninen munuaissairaus)Viime vuosien aikana se on yksi nopeimmin lisääntyvistä kuolinsyistä diabeteksen ja dementian rinnalla [1, 2].Munuainenelinsiirtoon paras munuaiskorvaushoito, joka on osoittautunut tehokkaammaksi kuin dialyysihoito pitkän aikavälin kuolleisuusriskin kannalta ja samalla sen vaikutus kansanterveysjärjestelmään on pienempi [3, 4].

Napsauta Cistanche NZ:lle kroonista munuaissairautta varten

Liyanage et ai. arvioiden mukaan 2,6 miljoonaa ihmistä, verrattuna 4,9 miljoonaan potilaaseen, sai munuaiskorvaushoitoa maailmanlaajuisesti vuonna 2010, mikä viittaa siihen, että ainakin 2,3 miljoonaa ihmistä olisi voinut kuolla ennenaikaisesti, koska asianmukaista hoitoa ei voitu saada [5].

Kasvavan tarpeen vuoksimunuainenelinsiirrot[6] eri tutkimukset yrittivät laajentaa hyväksymiskriteerejämunuaisetsiirrettäviksi, jotka on yleensä jätetty pois luovuttajan iän ja muiden sekä luovuttajan laatuun että ulottuvuuteen liittyvien ominaisuuksien perusteella.munuaiset[7,8].

Moore et ai. suoritti vertailun kahden välillämunuainenelinsiirtoExpanded Criteria Donors (ECD:t) ja singlemunuainenelinsiirtosamanaikaisilta ECD:iltä ja vakiokriteerien luovuttajilta. Kirjoittajat arvioivat, että käyttö kaksoismunuaisensiirtomarginaaliluovuttajilta on varteenotettava vaihtoehto ja että munuaisten toiminta voidaan saavuttaa edellyttäen, että molemmatmunuaisetsiirretään yhdelle vastaanottajalle [9].

Remuzzi et ai. ehdotti tekniikkaa sen arvioimiseksimunuainenkuntoarvioimalla histologisia biopsioita [10]. Arviointikriteeri, joka tunnetaan nimellä Karpinski-pisteet, ottaa huomioon patologisen tilan kehitystä (prosentteina) neljällä päätoiminnallisella alueella: glomeruloskleroosi, tubulusatrofia, interstitiaalinen fibroosi ja valtimoskleroosi. Tämä pistemäärä vaihtelee välillä 0–12, ja mitä suurempi luku, sitä huonompi se onmunuaisten tila [10-12]. Munuaisetjoiden Karpinski-pisteet ovat 0–3 ja 4–6, katsotaan sopiviksiyksi- ja kaksoissiirrot, vastaavasti.

Munuaissairauden hoito: munuaisensiirto ja munuaisensiirto

Karpinskin pistemäärän arvioimiseksi patologit suorittavat histopatologisten kokodiakuvien (WSI) visuaalisen arvioinnin. Tämä prosessi on yleensä aikaa vievä, virhealtis ja myös subjektiivinen.

Näiden haittojen voittamiseksi histopatologiseen kudoskuva-analyysiin perustuvien tietokoneavusteisten diagnoosijärjestelmien (CAD) kehittäminen pistemäärän laskemisen tukemiseksi on arvokas edistysaskel.

Viimeaikaiset kirjallisuustyöt osoittavat kuvankäsittelyn ja koneoppimistekniikoiden soveltamista analysointiinmunuainenhistopatologinenWSI:t glomerulusten havaitsemiseen ja luokitukseen. Kuvankäsittelymenetelmillä pyritään poimimaan mielekkäitä piirteitä, esim. muoto- ja pinta-analyysiin perustuvia; sitten koneoppimisalgoritmit, kuten matalat tai syvät keinohermoverkot (ANN:t), tekevät päätöksiä poimittujen ominaisuuksien perusteella.

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 prosenttia) tuloksena.

Suorittaa glomerulusten kattava tunnistus kokonaiskuvistamunuainenosat, Kato et ai. ehdotti uutta kuvaajaa nimeltä Segmental HOG (Histogram of Oriented Gradients)[14]. Kirjoittajat väittivät ratkaisun vankuuteen ja korkealaatuisiin segmentointituloksiin; Lisäksi kirjoittajat vertasivat Segmental HOG:ia suorakulmaiseen HOG:iin osoittaen, että ensimmäinen lähestymistapa saavutti merkittäviä parannuksia havaitsemissuorituskykyyn.

Useat kirjoittajat keskittyivät sen sijaan glomerulusten muodon ja värin analysointiin. Kotyk ym. ehdottivat uudenlaista ratkaisua munuaiskerästen suureen intensiteetin vaihteluun ja epäjohdonmukaisuuteen muodon ja koon suhteen. Ehdotettu lähestymistapa, joka perustuu Particles Analyzer -tekniikkaan, mahdollisti munuaissolun havaitsemisen ja seuraavan glomeruluksen halkaisijan ja Bowmanin tilan leveyden mittaamisen. Kirjoittajat arvioivat, että lähestymistapa oli luotettava glomerulusten muodonmuutoksille jopa glomerulusten hypertrofian yhteydessä [15]. Zhao et al. analysoi värin ja kudosmuodon merkittävän monimuotoisuuden vaikutuksista kokonaisiin diakuviin. [16]. Kirjoittajat keskittyivät Bowmanin kapselin leveyden erottamiseen suunnitellakseen automatisoidun glomeruluksen uuttokehyksen koko munuaiskudoksen mikrokuvasta. Järjestelmää testattiin ei-ihmiskädellisten munuaiskudoksilla hematoksyliini- ja eosiini(HE)-värjäyksellä.

Bukowy et ai. ehdotti erilaista analyysityönkulkua. Vuonna [17] kirjoittajat kehittivät konvoluutiohermoverkon glomerulusten havaitsemiseksi trikromilla värjätyistä munuaisleikkeistä. Menettelyä testattiin rotallamunuaisetja raportoidut tulokset, jotka koskevat terveiden ja vaurioituneiden munuaiskerästen luokittelua, osoittavat keskimääräisen tarkkuuden ja palautuksen 96,94 prosenttia ja 96,79 prosenttia.

Bevilacqua et al.:n aikaisemmassa työssä CAD-järjestelmä verisuonten segmentointiin ja erotteluun verisuonten ver-susus tubulusten välillä koepalasta.munuainenkudos on suunniteltu ja testattu [18]. Peri-odic Acid-Schiff (PAS) -värjäyksellä varustettuja histologisia kuvia on käytetty kiinnostavien alueiden (ROI) segmentoimiseen ja Haralick-ominaisuuksien erottamiseen, mikä mahdollistaa myöhemmän luokitusmenettelyn käyttämällä ANN:iin perustuvia algoritmeja. Testitulokset osoittivat, että valvottu ANN-lähestymistapa oli johdonmukainen, mikä mahdollisti hyvän luokituksen suorituskyvyn.

Tämä työ keskittyy automaattiseen arviointiinmunuainenbiopsiat, jotka käsittelevät tiettyä Karpinskin pistemäärän mukaan otettua patologista tilaa: glomeruloskleroosi, ts. sklerosoituneiden glomerulusten ja glomerulusten kokonaismäärän välinen suhde. Tämän saavuttamiseksi glomeruluksiin vaikuttavan skleroottisen tilan havaitseminen ja erottaminen ei-skleroottisista on ratkaisevan tärkeää. Kuten viimeisimmissä töissä on jo raportoitu, tämä on haastava tehtävä johtuen glomerulusten laajoista intensiteetin vaihteluista sekä muodon ja koon epäjohdonmukaisuuksista.

munuaissairauden hoito:yksi- ja kaksoissiirrottutkimuksia

Erilaisten piirteiden erotusalgoritmien yhdistelmä on suunniteltu ja arvioitu glomerulusten tilan erottamiseksi. Raportoidussa kirjallisuudessa esitetään erityisiä ja ainutlaatuisia kuvankäsittelyalgoritmeja, joita on sovellettu erilaisiin värjäystyyppeihin ja ei-ihmis-WSI:ihin. Tässä työssä ehdotettu ominaisuusjoukko sen sijaan tulee kokoelmasta kahdesta laajalti käytetystä, tunnetusta ja yleiskäyttöisestä ominaisuuspoiminta-algoritmiperheestä, iemorfologisista ja tekstuuriominaisuuksista. Nämä ominaisuusperheet sisältyvät myös joihinkin kirjallisuudessa ehdotettuihin algoritmeihin, mutta tässä työssä ne erotettiin ihmisen WSI-soluista PAS-värjäyksellä. Lisäksi menetelmät-kohdassa kuvattu luokitteluputki sisältää myös menettelyjä ominaisuuksien vähentämiseksi, mikä mahdollistaa matalan keinohermoverkon suunnittelun. Tässä työssä ehdotettu yleinen työnkulku ja integrointi julkaisussa [18] esitettyyn menettelyyn mahdollistavat täydellisen CAD-järjestelmän rakentamisen histopatologisten WSI:iden analysointia varten.

Tulokset

Tulokset, jotka on saatu arvioimalla ehdotettua testisarjan luokittelutyönkulkua, raportoidaan. Tulokset viittaavat erityisesti suorituskykyyn, joka on saatu ottaen huomioon supistettu ominaisuusjoukko, joka on luokiteltu käyttämällä ristiin validoitua matalaa ANN:ta. Kuten taulukossa 1 on raportoitu, testisarja koostui 579 glomeruluskuvasta: 87 skleroottista, 492 ei-skleroottista.

Työnkulun vakauden arvioimiseksi koko prosessista suoritettiin 10 ajoa. Saavutetut tulokset on koottu taulukkoon 2. Tulokset on raportoitu erityisesti useiden mittareiden eli tarkkuuden (yhtälö 1), tarkkuuden (yhtälö 2), palautuksen (yhtälö 3) ja Matthewsin keskiarvona ja keskihajonnana. Korrelaatiokerroin (Eq.4)[19], arvioituna taulukossa 3 esitetyn sekavuusmatriisin mukaan.

Iteraatioista parhaat tulokset on raportoitu taulukossa 4, kun taas vastaava sekavuusmatriisi on raportoitu taulukossa 5.

Toteutettu työnkulku mahdollistaa skleroottisten ja ei-skleroottisten glomerulusten luokittelun, joilla on hyvä suorituskyky (keskimääräinen MCC=0.95 ja keskimääräinen tarkkuus=0.99) ja pieni vaihtelu (MCC std=0.01) ja Accuracy 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="">

Taulukko 1 Tietojoukon konfigurointi	Taulukko 2 Mittareiden vertailu 10 verkon alustuksesta

Taulukko 3 Sekaannusmatriisi metriikan laskentaa varten	Taulukko 4 Mittareiden vertailu 10 verkon alustamisesta

Taulukko 5 Parhaan mallin sekaannusmatriisi

Keskustelu

Arvioimalla ehdotettua lähestymistapaa riippumattomalla testijoukolla luokittelun työnkulku saavutti keskimääräisen Oman asiakaskeskuksen ja tarkkuuden {{0}},95 ja 0,99, ja alhaisen vaihtelun 10 riippumattoman iteroinnin aikana (MCC std{{5}). }.01 ja Accuracy 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,="">

Raportoitua työnkulkua toteutettaessa ja arvioitaessa kohtasimme ja testasimme yleisen tietojen epätasapainotusongelman, joka on ratkaistu käyttämällä MCC:tä suoritusten vertailukertoimena ja ROC-käyrää optimaalisen luokituskynnyksen valinnassa. Raportoidut tulokset viittaavat siihen, että ehdotettu työnkulkumalli on luotettava tutkitulla alueella, mikä tukee kliinistä käytäntöä kahden glomerulusluokan erottamiseksi.

Analysoimalla väärin luokiteltuja glomeruluksia havaitsimme myös, että väärin luokiteltuja näytteitä vastaavissa tulokuvissa näkyi värjäytyviä artefakteja tai osittaisia ​​osia (enimmäkseen reunoilla); yleisiä esimerkkejä mainitaan kuvassa 1. Kliinisessä käytännössä patologit kuitenkin hylkäävät sellaiset kuvat, jotka voitaisiin myös jättää ehdotetun työnkulun ulkopuolelle suunnittelemalla strategioita sellaisten kuvien havaitsemiseksi etukäteen, joihin tällaiset ongelmat vaikuttavat.

Munuaissairauden hoito: yhden ja kahden munuaisensiirrot

NAPSAUTA TÄSTÄ OSASIAKSI Ⅱ