AbstraktHintergrund Das Ziel der Künstlichen Intelligenz inNierennarben(AIRS)-Studie besteht darin, maschinelle Lernwerkzeuge für die nichtinvasive Quantifizierung von zu entwickelnNierenfibroseaus Bildscans. Methoden Wir führten eine retrospektive Analyse von Patienten durch, bei denen innerhalb von 6 Monaten eine oder mehrere abdominale Computertomographie (CT)-Scans durchgeführt wurdenNierenbiopsie. Die endgültige Kohorte umfasste 152 CT-Scans von 92 Patienten, darunter Bilder von 300 natürlichen Nieren und 76Nierentransplantation. Zwei verschiedene FaltungenNeuronale Netze(Klassifikatoren auf Schichtebene und Voxelebene) wurden getestet, um schwere von leichten/moderaten zu unterscheidenNierenfibrose(50 % gegenüber 50 %).Interstitielle Fibroseund tubuläre Atrophie punktetNierenbiopsieBerichte wurden als Grundwahrheit verwendet. Ergebnisse Die beiden Modelle für maschinelles Lernen zeigten einen ähnlichen positiven Vorhersagewert ({{0}},886 gegenüber 0,935) und Genauigkeit (0,831 gegenüber 0,879). Schlussfolgerungen Zusammenfassend lässt sich sagen, dass maschinelle Lernalgorithmen ein vielversprechendes nichtinvasives Diagnosewerkzeug sindNierenfibrose quantifizierenaus CT-Scans. Der klinische Nutzen dieser Vorhersageinstrumente im Hinblick auf die Vermeidung einer Nierenbiopsie und des damit verbundenen Blutungsrisikos bei Patienten mit schwerer Fibrose muss noch in prospektiven klinischen Studien validiert werden.
Wie lange dauert es, bis Cistanche bei Nierenpatienten wirkt?
Einführung
Die ultraschallgesteuerte perkutane Nierenbiopsie bleibt der Behandlungsstandard, wenn die histologische Diagnose zur Steuerung der Behandlung von Proteinurie, Mikrohämaturie, Transplantatabstoßung oder ungeklärter Nierenfunktionsstörung erforderlich ist (1,2). Der Grad der Nierenfibrose oder der CKD-Schweregrad ist zum Zeitpunkt der Nierenbiopsie häufig unbekannt (3). Eine Nierenbiopsie, die eine schwere (0,50 %) Fibrose aufdeckt, kann zwar die Krankheitsdiagnose klären, dürfte aber die klinische Behandlung nicht verändern und birgt für den Patienten das Risiko einer eingriffsbedingten Blutung (4). Komplikationen nach der Biopsie reichen von vorübergehender Hämaturie bis hin zu lebensbedrohlichen Blutungen und korrelieren mit Risikofaktoren wie erhöhtem Blutdruck, fortgeschrittenem Alter, Anämie, niedriger Thrombozytenzahl, verminderter Nierenfunktion und Hämostaseanomalien (5). Eine aktuelle Metaanalyse von 118,064 ultraschallgesteuerten Nierenbiopsien ergab Vorfallraten für Bluttransfusionen, angiographische Eingriffe und Todesfälle von jeweils 2 %, 0,3 % und 0,06 % (6).
Bei der Beurteilung der Risiken und Vorteile einer Nierenbiopsie ist die Beurteilung des Schweregrads einer CKD von entscheidender Bedeutung. Allerdings sind nicht-invasive Instrumente zur Beurteilung des Fibrosegrades unterentwickelt (7). Studien, die Ultraschalltechniken untersuchten (einschließlich Scherwellengeschwindigkeitsbildgebung, transiente Elastographie, Echtzeit-Elastographie, Doppler-Sonographie und Ultraschall der kortikomedullären Belastung), haben eine inkonsistente Korrelation mit dem Grad der Fibrose in der Nierenhistologie festgestellt (3,8,9). Darüber hinaus sind diese Methoden stark von externen Faktoren wie Blutdruck, Nierengewicht, Körpergewicht und der angewendeten Wandlerkraft abhängig, ganz zu schweigen von der hohen Variabilität innerhalb und zwischen Beobachtern (3). Ein aktueller Bericht ergab einen engen Zusammenhang zwischenUltraschallbestimmte Nierengröße mit geschätzter Nierenfunktion (eGFR), aber nicht beurteiltNiereFibrose(10). Kirpalani et al. berichteten, dass die Magnetresonanztomographie-Elastographie im Hinblick auf die Korrelation von Steifigkeitswerten mit Nierenfibrose vielversprechend sei (11), untersuchten jedoch keine maschinellen Lernwerkzeuge als Mittel zur Optimierung der Vorhersagegenauigkeit.
Die Computertomographie (CT) ermöglicht eine hochauflösende Darstellung des Nierengewebes bei minimaler Strahlenbelastung des Patienten (7). Maschinelle Lerntechnologie in KombinationDie Arbeit mit der CT-Bildgebung ist ein vielversprechender Weg für die Zukunftinvasive Beurteilung der NiereFiBrose, statt des Stromshistologischer Versorgungsstandard. Deep Learning FaltungNeuronale Netze (CNN) sind eine neuartige Form des maschinellen Lernensing, das relevante Muster aus seinem isolieren kannTologie, Bildgebung oder andere klinische Daten, die für die Krankheit nützlich sind
Charakterisierung (12,13). Die CNN-Technologie für die Diagnostik wurde in einer Vielzahl von Situationen erforscht, die von intrakranieller Blutung und Krebs bis hin zu Lungenentzündung reichenBlinddarmentzündung (14–17).
Ziel der AIRS-Studie (Artificial Intelligence in Renal Scarring) ist die Entwicklung von CNN-Tools zur Quantifizierung von Nierenfibrose als computergestützte diagnostische Alternative zur Nierenbiopsie. Zwei CNN-Algorithmen (Slice-Level- und Voxel-Level-Klassifikatoren) wurden darauf trainiert, CT-Bildgebung von nativen und transplantierten Nieren zu analysieren, um den Grad der Fibrose auf der Grundlage von Ground-Truth-Fibrose-Scores aus Nierenbiopsien derselben Patienten zu klassifizieren. In dieser Pilotanalyse konzentrierten wir uns auf die Abgrenzung zwischen leichter/mittelschwerer und schwerer (0,50 % gegenüber 50 $) Fibrose als klinisch relevanter Dichotomie, die für einen Nephrologen nützlich sein kann, der eine Nierenbiopsie für seinen Patienten in Betracht zieht. Wir zeigen, dass die CNN-Algorithmen mit hoher Genauigkeit schwere von leichter/mittelschwerer Nierenfibrose unterscheiden können
Materialen und Methoden
Patientendatenbank Hierbei handelte es sich um eine retrospektive Analyse von Nierenbiopsien, die zwischen 2014 und 2019 am University of California Irvine Medical Center durchgeführt wurden. Wir identifizierten Patienten mit Abdomen-CT-Scans im Wert von 1 $, die innerhalb von 6 Monaten nach der Nierenbiopsie durchgeführt wurden. Nach dem ersten Screening des Krankenaktensystems wurden 42 Patienten, die sich einer Bildgebung unterzogen, aus folgenden Gründen ausgeschlossen: CT-Scan außerhalb des Einschlusszeitraums durchgeführt (0,6 Monate ab Biopsiedatum, n53); Abdomen-Magnetresonanztomographie, aber kein CT im System gefunden (n56); Patienten haben den Anmerkungsprozess versehentlich übersprungen (n52); nicht segmentierte native Nieren bei einem Patienten, der sich einer Transplantation unterzogen hatte (n51); minderwertiger Scan mit Hardwareartefakten (n51); und externe Bildgebungsstudien, die nicht in den Langzeitbildarchiven gespeichert wurden (n529). Die verbleibenden 152 CT-Scans von 92 Patienten wurden heruntergeladen und das rekonstruierte axiale Weichteilvolumen zur weiteren Analyse extrahiert. Der Großteil der CT-Scans (79 %) wurde ohne intravenösen Kontrast durchgeführt; 129 Scans wurden mit einem Philips-Scanner, 22 mit einem Siemens-Scanner und einer mit einem GE Medical Systems-Scanner durchgeführt.
Ein Pathologe (JEZ) untersuchte eine zufällige Auswahl von Patienten, um zu bestätigen, dass der Grad der Fibrose in den Nierenbiopsieberichten genau dokumentiert wurde. Bei nicht übereinstimmenden Patienten überprüfte ein zweiter Pathologe die Folien, um die Grundwahrheit zu ermitteln (siehe Danksagungen). Der aus Biopsieberichten ermittelte Ground-Truth-Grad der Nierenfibrose wurde als binäres Ergebnis behandelt: leicht/mittelschwer versus schwer (interstitielle Fibrose und tubuläre Atrophie, 50 % versus 50 %). Native Nieren in CT-Scans von transplantierten Patienten wurden automatisch als schwere Fibrose gewertet. Demografische Daten und Komorbiditäten wurden in einer REDCap-Datenbank zusammengestellt, und auf CT-Bilder wurde wie unten beschrieben zugegriffen. Alle Forschungsverfahren wurden vom Institutional Review Board der University of California Irvine genehmigt.
Anmerkung
Die CT-Scans wurden vom Bildarchivierungs- und Kommunikationssystem unseres Krankenhauses in eine sichere interne Datenbank übertragen. Ein benutzerdefiniertes, proprietäres webbasiertes Annotationstool wurde verwendet, um dreidimensionale Binärmasken zu erstellen, die der natürlichen rechten und linken Niere sowie etwaigen Nierentransplantaten (falls vorhanden) entsprechen. Das Anmerkungstool wurde als einfaches Pinsel-Dienstprogramm ohne Schwellenwerte oder erweiterte Konturierungsfunktionen implementiert. Zwei studentische Forscher (HRT, KAPR) fungierten als Hauptannotatoren, und ein leitender Radiologe (PDC) überprüfte anschließend jeden Patienten und verfeinerte bei Bedarf die Anmerkungen zu den interessierenden Bereichen.
Bildvorverarbeitung
Unter Verwendung der annotierten Nierenvolumenmasken als Vorlage wurde jede Niere zugeschnitten und auf ein isotropes 96 3 96396-Voxelvolumen neu abgetastet. Diese Resampling-OperDies war erforderlich, um sicherzustellen, dass alle Modelleingaben die gleiche Matrixgröße haben, und um die Einschränkungen des Speichers der Grafikverarbeitungseinheit zu berücksichtigen. Angesichts der Mengen warenZunächst wurden die rechten und linken Nieren beschnitten, und da die Nieren nur einen kleinen Teil des ursprünglichen CT-Volumens ausmachen, waren die endgültigen neu abgetasteten Voxelgrößen in der Auflösung ähnlichLösung für die Originaldaten. Jedes zugeschnittene Volumen wurde dann normalisiert, indem alle Voxelwerte auf einen Bereich von 2150 bis 250 Hounsfield-Einheiten beschnitten und mit dem Faktor 1:50 skaliert wurden. BeliebigEine einzelne Untersuchung in diesem Datensatz kann bis zu drei einzelne beschnittene Nieren enthalten, die für das Algorithmustraining verwendet werden: (nativ) links, (nativ) rechts und Transplantation. Für jedes einzelne KindInsgesamt wurden für das Training 96 zweidimensionale (2D) Bilder (Größe 96396) verwendet.
CNN-Ansatz
Zwei verschiedene benutzerdefinierte 2D-CNN-Netzwerke wurden getestet und verglichen, um schwere von leichter/mittelschwerer Nierenfibrose zu unterscheiden. Der erste Algorithmus ist ein globaler StandardSchichtweiser CNN-Klassifikator, der eine von drei sich gegenseitig ausschließenden Kategorien für jedes 2D-Bild vorhersagen soll: keine Niere, leichte/mittelschwere Fibrose und schwere Fibrose. DerDer zweite Algorithmus ist ein CNN-Klassifikator auf Pixelebene, der durch eine vollständig faltende U-Net-Architektur implementiert wird, um eine gleichzeitige Segmentierung und Klassifizierung durchzuführen. In
Bei beiden Modellen ignoriert die endgültige Klassifizierung Abschnitte oder Voxel ohne Nieren und eine Mehrheitsregel wird für die verbleibenden Vorhersagen aggregiert. Beide Algorithmen sind implementiertunter Verwendung der hochmodernen Squeeze-and-Excitation-Netzwerkarchitektur, dem leistungsstärksten Modell der ImageNet Large Scale Visual Recognition Challenge im Jahr 2017 (18).Der Squeeze-and-Excitation-Netzwerkansatz ermöglicht es Netzwerken, kanalweise Merkmalsantworten basierend auf verschiedenen Modelleingaben durch Lernen adaptiv neu zu kalibrieren
Abhängigkeiten zwischen den Kanälen (Abbildung 1).
Abbildung 1.|Vom Deep-Learning-Algorithmus generierte Vorhersage-Heatmaps zur Identifizierung von Bereichen mit Verdacht auf „schwere“ Fibrose in der Niere. Von links nach rechts sind Nieren von normaler bis schwerer Fibrose mit zunehmendem Grad des geschätzten fibrotischen Parenchyms dargestellt. Die endgültigen mittleren Softmax-normalisierten Vorhersagen für die gesamte Niere werden in der unteren Zeile angezeigt und reichen von 0.0 bis 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; und 0.8–1.0.
Globaler Slice-by-Slice-Klassifikator
Der globale CNN-Klassifikator ist eine benutzerdefinierte, von VGG abgeleitete Architektur, die mit Squeeze-Anregungsmodulen auf jeder Ebene implementiert ist. Die Modelleingabe ist ein einzelnes 2D-Slice (96396).und die Modellausgabe ist ein Logit-Vektor mit drei Elementen, der eine Drei-Klassen-Vorhersage darstellt. Das CNN besteht aus vier Faltungsblöcken, wobei jeder Block als 333 definiert istFaltung, Batch-Normalisierung und ReLU werden insgesamt dreimal wiederholt. Die Unterabtastung erfolgt am Ende jedes Blocks durch eine Faltung mit einer Schrittweite von zwei. Nach
Vier Faltungsblöcke (12 Schichten), die endgültige Feature-Map wird abgeflacht und als Eingabe in eine einzelne vollständig verbundene Schicht verwendet.
Klassifikator auf Voxelebene
Der CNN-Klassifikator auf Voxelebene ist eine benutzerdefinierte U-Net-abgeleitete Architektur, die mit Squeeze-Anregungsmodulen auf jeder Ebene implementiert ist (19). Die Modelleingabe ist ein einzelner 2D-Schnitt (96396) und die Modellausgabe ist eine einzelne 2D-Segmentierungsmaske (96396) mit einer Drei-Klassen-Vorhersage an jeder Voxelposition. Das CNN besteht aus vier kontrahierenden Faltungsblöcken, wobei jeder Block als 333-Faltung, Batch-Normalisierung und Leaky ReLU definiert ist und insgesamt dreimal wiederholt wird. Die Unterabtastung erfolgt am Ende jedes Blocks durch eine Faltung mit einer Schrittweite von zwei. Nach vier Faltungsblöcken (12 Schichten) werden die Operationen durch eine identische Netzwerkarchitektur umgekehrt, wobei gestrte Faltungen (Unterschichten) ersetzt werden.Sampling) mit Faltungstransponierungen (Upsampling).
Implementierung eines neuronalen Netzwerks
Zur Optimierung beider Modelle wird eine Softmax-Kreuzentropieverlustfunktion verwendet. Die Optimierung wurde unter Verwendung der Adam-Technik (20) mit eingestellten exponentiellen Abfallraten b1 und b2 durchgeführtauf {{0}}.9 bzw. 0,999. Die Lernrate ist auf 131023 eingestellt. Die Stapelgröße ist auf acht eingestellt, mit insgesamt 25 000 Trainingsiterationen. Zur Initialisierung wird die Xavier-Normalisierung verwendetdie Gewichte vor dem Training (21). Der Algorithmuscode wurde in Python 3.6, der TensorFlow 2.1.0-Bibliothek und der Keras 1.0.8-Bibliothek geschrieben. Das Netzwerk wird auf unserem hauseigenen Grafikprozessor-Cluster trainiert, der 48 Nvidia GeForce RTX 2080 Ti und 12 GeForce RTX Titans enthält. Im Durchschnitt trainierte der globale Klassifikator 30 Minuten pro Experiment, während der voxelbasierte Klassifikator 2–4 Stunden pro Experiment trainierte.
Auswertung
Zur Bewertung des Trainingsprozesses wurde eine fünffache Kreuzvalidierungsstrategie verwendet. Allerdings wurden bei jedem Patienten bis zu drei verschiedene Nieren individuell behandeltWährend des Trainings werden alle Volumina eines einzelnen Patienten in dieselbe Kreuzvalidierungsgruppe stratifiziert, um Datenverluste zu vermeiden. Der Datensatz wurde im Verhältnis 80:20 aufgeteilt und dann auf dem80 %, während die anderen 20 % zur Validierung verwendet wurden. Das Training wurde insgesamt fünfmal mit unterschiedlichen 80:20-Aufteilungen wiederholt, bis der gesamte Datensatz vollständig validiert war
Zusätzlich zu den Experimenten mit der gesamten Datenkohorte wurden zusätzliche Subkohortenanalysen durchgeführt, um mögliche Störvariablen auszuwerten. Es wurde eine Schichtung angewendetbasierend auf dem intravenösen Kontraststatus und dem Ausschluss atrophischer nativer Nieren bei Patienten, die eine Transplantation erhalten haben. Um außerdem die Generalisierbarkeit des Modells zu bewerten, modDie ausschließlich mit Philips- und GE-Scannern trainierten Personen wurden ausschließlich mit Daten von Siemens-Scannern validiert.
Statistiken
Unser Studienziel bestand darin, in der Nieren-CT-Bildgebung zwischen leichter/mittelschwerer und schwerer Fibrose zu unterscheiden. In beiden Ansätzen (globales Slice-by-Slice) wurde die Mehrheitsregel verwendetund Voxel-basiert), um den Schweregrad zu bestimmenFiBrose.Um die Leistung zwischen den beiden Ansätzen zu bewerten,Genauigkeit, Empfindlichkeit, SpezFiStadt, positiver Vorhersagewert(PPV) und der negative Vorhersagewert (NPV) wurden berechnetberechnet und verglichen. Der Bereich unter dem EmpfängerbetriebKurve (AUC) wurde ebenfalls durch Variation des Softmax berechnetPunkteschwelle für dieFiBrose-KlassikerFiKation und das Ergebnising-Kurve für beide Ansätze zum Vergleich gezeichnet. BeschreibenDie aktiven Statistiken werden als Mittelwert angegeben6SD.
