خلاصهپیشینه هدف هوش مصنوعی دراسکار کلیهمطالعه (AIRS) توسعه ابزارهای یادگیری ماشین برای کمی سازی غیرتهاجمی استفیبروز کلیهاز اسکن های تصویربرداری روشها ما یک تجزیه و تحلیل گذشتهنگر از بیمارانی انجام دادیم که یک یا چند اسکن سیتیاسکن شکم (CT) را در مدت 6 ماه پس از انجام آزمایش انجام دادند.بیوپسی کلیه. گروه نهایی شامل 152 سی تی اسکن از 92 بیمار بود که شامل تصاویر 300 کلیه بومی و 76 نفر بود.پیوند کلیه. دو کانولوشن متفاوتشبکه های عصبی(طبقهبندیکنندههای سطح برش و سطح وکسل) برای افتراق شدید از خفیف/متوسط آزمایش شدند.فیبروز کلیه(50٪ در مقابل 50٪).فیبروز بینابینیو نمرات آتروفی لوله ای ازبیوپسی کلیهگزارش ها به عنوان حقیقت پایه استفاده شد. نتایج دو مدل یادگیری ماشین ارزش اخباری مثبت مشابهی را نشان دادند ({0}}.886 در مقابل 0.935) و دقت (0.831 در مقابل 0.879). نتیجه گیری به طور خلاصه، الگوریتم های یادگیری ماشین یک ابزار تشخیصی غیرتهاجمی امیدوارکننده برایفیبروز کلیه را کمی کنیداز سی تی اسکن کاربرد بالینی این ابزارهای پیشبینی، از نظر اجتناب از بیوپسی کلیه و خطرات خونریزی مرتبط در بیماران مبتلا به فیبروز شدید، همچنان در آزمایشهای بالینی آیندهنگر تأیید میشود.
چه مدت طول می کشد تا سیستانچ برای بیماران کلیوی کار کند؟
معرفی
بیوپسی کلیه از راه پوست با هدایت اولتراسوند زمانی که تشخیص بافت شناسی برای هدایت مدیریت پروتئینوری، هماچوری میکروسکوپی، رد پیوند یا اختلال عملکرد کلیه غیرقابل توضیح مورد نیاز است، استاندارد مراقبت باقی می ماند (1،2). درجه فیبروز کلیه یا شدت CKD اغلب در زمان بیوپسی کلیه ناشناخته است (3). بیوپسی کلیه که نشان دهنده فیبروز شدید (. عوارض پس از بیوپسی از هماچوری گذرا تا خونریزی تهدید کننده زندگی متغیر است و با عوامل خطر شامل افزایش فشار خون، سن بالا، کم خونی، تعداد پلاکت پایین، کاهش عملکرد کلیه و ناهنجاری های هموستاز مرتبط است (5). متاآنالیز اخیر 118،064 بیوپسی کلیه با هدایت اولتراسوند، نرخ حادثه برای انتقال خون، مداخله آنژیوگرافی، و مرگ را به ترتیب 2٪، 0.3٪ و 0.06٪ گزارش کرد (6).
ارزیابی شدت CKD هنگام در نظر گرفتن خطرات و مزایای بیوپسی کلیه بسیار مهم است، اما ابزارهای غیرتهاجمی برای ارزیابی درجه فیبروز توسعه نیافته اند (7). مطالعاتی که تکنیکهای اولتراسوند (از جمله تصویربرداری با سرعت موج برشی، الاستوگرافی گذرا، الاستوگرافی بلادرنگ، سونوگرافی داپلر و فشار کورتیکومدولاری اولتراسوند) را مورد بررسی قرار دادند، ارتباط متناقضی را با درجه فیبروز در بافتشناسی کلیه نشان دادند (3،8،9). علاوه بر این، این روشها به شدت به عوامل خارجی مانند فشار خون، وزن کلیه، وزن بدن و نیروی مبدل اعمال شده وابسته هستند، بدون اینکه به تنوع بالای درون و بین ناظر اشاره کنیم (3). یک گزارش اخیر ارتباط نزدیکی بیناندازه کلیه با سونوگرافی با عملکرد تخمینی کلیه (eGFR) تعیین شد اما ارزیابی نشدکلیهفیبروز(10). کرپلانی و همکاران گزارش داد که الاستوگرافی تصویربرداری رزونانس مغناطیسی از نظر ارتباط نمرات سفتی با فیبروز کلیه امیدوارکننده بود (11)، اما ابزارهای یادگیری ماشین را به عنوان ابزاری برای بهینهسازی دقت پیشبینی کشف نکرد.
توموگرافی کامپیوتری (CT) امکان تصویربرداری با وضوح بالا از بافت کلیه را با حداقل قرار گرفتن در معرض تشعشع برای بیمار فراهم می کند (7). فناوری یادگیری ماشین به صورت ترکیبیتصویربرداری CT یک راه امیدوارکننده برای غیر استارزیابی تهاجمی کلیهفیbrosis، به جای فعلیاستاندارد بافت شناسی مراقبت یادگیری عمیق کانولوشنشبکه های عصبی (CNN) شکل جدیدی از یادگیری ماشینی هستندکه می تواند الگوهای مرتبط را از او جدا کندتوولوژی، تصویربرداری یا سایر داده های بالینی مفید برای بیماری
شخصیت پردازی (12،13). فناوری سی ان ان برای تشخیص در محیط های مختلفی مورد بررسی قرار گرفته است، از خونریزی داخل جمجمه و سرطان گرفته تا ذات الریه وآپاندیسیت (14-17).
هدف از مطالعه هوش مصنوعی در اسکار کلیه (AIRS) توسعه ابزارهای CNN برای تعیین کمیت فیبروز کلیه به عنوان یک جایگزین تشخیصی به کمک کامپیوتر برای بیوپسی کلیه است. دو الگوریتم CNN (طبقهبندیکنندههای سطح برش و سطح وکسل) برای تجزیه و تحلیل تصویربرداری CT از کلیههای بومی و پیوندی برای طبقهبندی درجه فیبروز، بر اساس نمرات فیبروز واقعی از بیوپسی کلیه در همان بیماران، آموزش داده شدند. در این تجزیه و تحلیل آزمایشی، ما بر تعیین فیبروز خفیف / متوسط در مقابل شدید (50٪ در مقابل 50 دلار) به عنوان یک دوگانگی مرتبط بالینی تمرکز کردیم که ممکن است برای یک نفرولوژیست که بیوپسی کلیه را برای بیمار خود در نظر می گیرد مفید باشد. ما نشان میدهیم که الگوریتمهای CNN میتوانند فیبروز کلیوی شدید را از خفیف/متوسط با دقت بالایی متمایز کنند.
مواد و روش ها
پایگاه داده بیماران این تجزیه و تحلیل گذشتهنگر از بیوپسیهای کلیه بود که در مرکز پزشکی ارواین دانشگاه کالیفرنیا بین سالهای 2014 تا 2019 انجام شد. ما بیمارانی را شناسایی کردیم که سیتی اسکن شکمی 1 دلاری داشتند که طی 6 ماه پس از بیوپسی کلیه انجام شد. پس از غربالگری اولیه سیستم مدارک پزشکی، 42 بیمار که تحت تصویربرداری قرار گرفتند به دلایل زیر از مطالعه خارج شدند: سی تی اسکن خارج از دوره ورود انجام شد (6. ماه از تاریخ بیوپسی، n53). تصویربرداری رزونانس مغناطیسی شکم اما هیچ CT در سیستم یافت نشد (n56). بیماران به طور ناخواسته در فرآیند حاشیه نویسی رد شدند (n52). کلیه های بومی در بیمارانی که تحت پیوند قرار گرفته اند تقسیم نشده اند (n51). اسکن با کیفیت پایین با مصنوع سخت افزاری (n51)؛ و مطالعات تصویربرداری خارجی که در آرشیو تصویربرداری طولانی مدت ذخیره نشده بودند (n529). 152 سی تی اسکن باقی مانده از 92 بیمار دانلود شد و حجم بازسازی شده بافت نرم محوری برای تجزیه و تحلیل بیشتر استخراج شد. اکثر CT اسکن (79٪) بدون حاجب داخل وریدی انجام شد. 129 اسکن روی اسکنر فیلیپس، 22 اسکن روی اسکنر زیمنس و یک اسکن روی اسکنر GE Medical Systems انجام شد.
یک پاتولوژیست (JEZ) انتخاب تصادفی از بیماران را بررسی کرد تا تأیید کند که درجه فیبروز به طور دقیق در گزارشهای بیوپسی کلیه ثبت شده است. در بیماران ناسازگار، آسیب شناس دوم اسلایدها را بررسی کرد تا حقیقت اصلی را تعیین کند (به قدردانی مراجعه کنید). درجه واقعی فیبروز کلیه از گزارشهای بیوپسی بهعنوان یک پیامد دوتایی مورد بررسی قرار گرفت: خفیف/متوسط در مقابل شدید (فیبروز بینابینی و آتروفی لولهای، 50 درصد در مقابل 50 دلار). کلیه های بومی در سی تی اسکن بیمارانی که پیوند شده بودند به طور خودکار به عنوان فیبروز شدید نمره گذاری شدند. اطلاعات دموگرافیک و شرایط همراه در یک پایگاه داده REDCap گردآوری شد و تصاویر CT همانطور که در زیر توضیح داده شد مشاهده شد. تمام روش های تحقیق توسط هیئت بازبینی نهادی دانشگاه کالیفرنیا ارواین تایید شد.
حاشیه نویسی
سی تی اسکن ها از سیستم بایگانی تصاویر و ارتباطات بیمارستان ما به یک پایگاه داده ایمن داخلی منتقل شدند. یک ابزار حاشیه نویسی اختصاصی مبتنی بر وب برای ایجاد ماسک های سه بعدی باینری واقعی و مربوط به کلیه های راست و چپ بومی و هرگونه پیوند کلیه در صورت وجود استفاده شد. ابزار حاشیه نویسی به عنوان یک ابزار ساده قلم مو بدون هیچ گونه آستانه گذاری یا عملکرد کانتورینگ پیشرفته پیاده سازی شد. دو محقق دانشجو (HRT، KAPR) به عنوان حاشیه نویسان اصلی خدمت کردند، و یک رادیولوژیست ارشد (PDC) متعاقباً هر بیمار را بررسی کرد و در صورت نیاز، حاشیه نویسی های ناحیه مورد نظر را اصلاح کرد.
پیش پردازش تصویر
با استفاده از ماسکهای حجم کلیه مشروحشده بهعنوان یک الگو، هر کلیه برش داده شد و به حجم وکسل 96 3 96396 همسانگرد تبدیل شد. این اپرا نمونه گیری مجددبرای اطمینان از اینکه همه ورودیهای مدل دارای اندازه ماتریس یکسانی هستند و محدودیتهای حافظه واحد پردازش گرافیکی را برآورده میکنند، این مورد مورد نیاز بود. با توجه به حجم ها بودندابتدا به کلیههای راست و چپ برش داده شد، و کلیهها تنها بخش کوچکی از حجم اولیه CT را تشکیل میدهند، اندازههای وکسل نمونهبرداری شده نهایی از نظر اندازه مشابه بودند.راه حل برای داده های اصلی سپس هر حجم برش خورده با برش دادن تمام مقادیر وکسل در محدوده 2150 تا 250 واحد هاونسفیلد نرمال شد و با ضریب 1:50 مقیاس بندی شد. هرآزمایش منفرد در این مجموعه داده ممکن است شامل حداکثر سه کلیه برش خورده فردی باشد که برای آموزش الگوریتم استفاده میشوند: (بومی) چپ، (بومی) راست و پیوند. برای هر کودک فردینی، در مجموع 96 تصویر دو بعدی (2 بعدی) (در سایز 96396) برای آموزش استفاده شد.
رویکرد CNN
دو شبکه 2 بعدی CNN سفارشی برای افتراق فیبروز کلیه شدید از خفیف / متوسط مورد آزمایش و مقایسه قرار گرفتند. الگوریتم اول یک استاندارد جهانی استطبقهبندیکننده سیانان تکهبهلایه، طراحی شده برای پیشبینی یکی از سه دسته متقابل منحصر به فرد برای هر تصویر دو بعدی: بدون کلیه، فیبروز خفیف/متوسط، و فیبروز شدید. اینالگوریتم دوم یک طبقهبندی کننده CNN در سطح پیکسل است که از طریق یک معماری U-Net کاملاً کانولوشن برای انجام تقسیمبندی و طبقهبندی همزمان پیادهسازی شده است. که در
هر دو مدل، طبقهبندی نهایی برشها یا وکسلهای بدون کلیه را نادیده میگیرد و قانون اکثریت در پیشبینیهای باقیمانده جمع میشود. هر دو الگوریتم پیاده سازی شده اندبا استفاده از مدرن ترین معماری شبکه فشرده سازی و تحریک، مدل با عملکرد برتر چالش تشخیص تصویری در مقیاس بزرگ ImageNet در سال 2017 (18).رویکرد شبکه فشار و برانگیختگی شبکهها را قادر میسازد تا به طور تطبیقی پاسخهای ویژگی کانال را بر اساس ورودیهای مدل مختلف با یادگیری مجدد کالیبره کنند.
وابستگی متقابل بین کانال ها (شکل 1).
شکل 1.|نقشه های حرارتی پیش بینی ایجاد شده توسط الگوریتم یادگیری عمیق که مناطق مشکوک به فیبروز "شدید" در کلیه را شناسایی می کند. از چپ به راست، کلیه ها از فیبروز طبیعی تا شدید با درجات پیشرونده پارانشیم فیبروتیک تخمین زده می شوند. میانگین نهایی پیشبینیهای نرمالشده softmax برای کل کلیه در ردیف پایین نشان داده شده است، از 0 تا 0.2. 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; و 0.8–1.0.
طبقه بندی کننده جهانی تکه به تکه
طبقه بندی کننده جهانی CNN یک معماری سفارشی مشتق شده از VGG است که با ماژول های تحریک فشرده در هر لایه پیاده سازی شده است. ورودی مدل یک تکه 2 بعدی (96396) استو خروجی مدل یک بردار لاجیت سه عنصری است که یک پیشبینی سه کلاسه را نشان میدهد. CNN از چهار بلوک کانولوشن تشکیل شده است که هر بلوک به عنوان 333 تعریف می شودپیچیدگی، نرمال سازی دسته ای و ReLU در مجموع سه بار تکرار شد. نمونه برداری فرعی در انتهای هر بلوک از طریق یک کانولوشن با گام دو انجام می شود. بعد از
چهار بلوک کانولوشن (12 لایه)، نقشه ویژگی نهایی صاف شده و به عنوان ورودی در یک لایه کاملاً متصل استفاده می شود.
طبقه بندی کننده سطح وکسل
طبقهبندیکننده CNN سطح وکسل یک معماری سفارشی U-Netderived است که با ماژولهای تحریک فشرده در هر لایه پیادهسازی میشود (19). ورودی مدل یک برش 2 بعدی (96396) و خروجی مدل یک ماسک تقسیم بندی 2 بعدی (96396) با پیش بینی سه کلاسه در هر مکان وکسل است. CNN از چهار بلوک انقباضی تشکیل شده است، که در آن هر بلوک به عنوان یک پیچیدگی 333 تعریف می شود، نرمال سازی دسته ای، و Leaky ReLU در کل سه بار تکرار می شود. نمونه برداری فرعی در انتهای هر بلوک از طریق یک کانولوشن با گام دو انجام می شود. پس از چهار بلوک کانولوشن (12 لایه)، عملیات از طریق یک معماری شبکه یکسان، با جایگزینی کانولوشن های گام به گام معکوس می شوند (زیر-نمونه برداری) با جابجایی های کانولوشن (upsampling).
پیاده سازی شبکه عصبی
یک تابع تلفات متقاطع softmax برای بهینه سازی هر دو مدل استفاده می شود. بهینهسازی با استفاده از تکنیک آدام (20) با نرخهای فروپاشی نمایی، b1 و b2، مجموعه انجام شد.به ترتیب به {{0}}.9 و 0.999. میزان یادگیری بر روی 131023 تنظیم شده است. اندازه دسته به هشت، با مجموع 25،{6}} تکرار آموزش تنظیم شده است. نرمال سازی Xavier برای مقداردهی اولیه استفاده می شودوزنه های قبل از تمرین (21). کد الگوریتم در کتابخانه Python 3.6، TensorFlow 2.1.0 و کتابخانه Keras 1.0.8 نوشته شده است. این شبکه بر روی خوشه واحد پردازش گرافیکی داخلی ما، که شامل 48 Nvidia GeForce RTX 2080 Ti و 12 GeForce RTX Titan است، آموزش دیده است. به طور متوسط، طبقهبندیکننده جهانی برای هر آزمایش 30 دقیقه تمرین میکرد، در حالی که طبقهبندیکننده مبتنی بر وکسل برای هر آزمایش 2 تا 4 ساعت تمرین میکرد.
ارزیابی
برای ارزیابی فرآیند آموزش از یک استراتژی اعتبارسنجی متقابل پنج برابری استفاده شد. اگرچه تا سه کلیه مختلف از هر بیمار به صورت جداگانه در طول دوره درمان شدنددر فرآیند آموزش، تمام حجمهای یک بیمار در یک گروه اعتبارسنجی متقابل طبقهبندی میشوند تا از نشت دادهها جلوگیری شود. مجموعه داده 80:20 تقسیم شد و سپس بر روی آن آموزش داده شد80٪، در حالی که 20٪ دیگر برای اعتبار سنجی استفاده شد. آموزش در مجموع پنج بار با تقسیمبندیهای مختلف 80:20 تکرار شد تا زمانی که کل مجموعه داده به طور کامل اعتبار سنجی شود.
علاوه بر آزمایشها بر روی کل گروه دادهها، تجزیه و تحلیلهای فرعی اضافی برای ارزیابی متغیرهای مخدوشکننده بالقوه انجام شد. طبقه بندی اعمال شدبر اساس وضعیت کنتراست داخل وریدی و حذف کلیه های بومی آتروفیک در بیمارانی که پیوند دریافت کرده اند. علاوه بر این، برای ارزیابی تعمیمپذیری مدل، مدنمونههایی که منحصراً از اسکنرهای فیلیپس و جنرال الکتریک آموزش دیده بودند، منحصراً با دادههای اسکنرهای زیمنس تأیید شدند.
آمار
هدف مطالعه ما تمایز بین فیبروز خفیف/متوسط از فیبروز شدید در تصویربرداری CT کلیه بود. قانون اکثریت در هر دو رویکرد (جهانی تکه به تکه) استفاده شدو بر اساس وکسل) برای تعیین شدتفیbrosisبرای ارزیابی عملکرد بین دو رویکرد،دقت، حساسیت، مشخصاتفیشهر، ارزش اخباری مثبت(PPV)، و ارزش اخباری منفی (NPV) محاسبه شدتاخیر و مقایسه ناحیه زیر گیرنده در حال کار استمنحنی (AUC) نیز با تغییر softmax محاسبه شدآستانه امتیاز برایفیبروسیس کلاسیفیکاتیون و نتیجهمنحنی ترسیم شده برای هر دو رویکرد برای مقایسه. توصیف کنیدآمارهای tive به عنوان میانگین گزارش شده است6Sd.
