ارزیابی هوش مصنوعی اسکار کلیه (مطالعه AIRS) Ⅱ

نتایج

هر دو مدل در مجموع 152 سی تی اسکن از 92 بیمار، که شامل 148 کلیه چپ، 152 کلیه راست، و 73 مورد بود، آموزش دیده و تایید شدند.پیوند کلیه. خصوصیات بیمار در جدول 1 خلاصه شده است. 55 بیمار فیبروز حداقل یا خفیف (25٪)، 14 بیمار به عنوان فیبروز متوسط (25٪ - 50٪) و 23 بیمار فیبروز شدید (0.50٪) داشتند. میانگین eGFR به ترتیب 37626 در مقابل 25618 در مقابل 16613 میلی‌لیتر در دقیقه در 1.73 متر مربع در گروه‌های فیبروز خفیف در مقابل متوسط در مقابل شدید بود. بیماران مبتلا به فیبروز خفیف / متوسط برای تجزیه و تحلیل در برابر بیماران مبتلا به فیبروز شدید در تصویربرداری CT کلیه گروه بندی شدند.متوسط حجم کلیه217 سانتی‌متر مکعب (محدوده 668-48) در مقابل 76 سانتی‌متر مکعب (محدوده 3-347) در گروه‌های فیبروز خفیف/متوسط در مقابل شدید (50 درصد در مقابل 50 دلار) بود. بیوپسی یک بیمار وجود داشت که نمرات فیبروز متناقضی را به همراه داشت (مقایسه گزارش نمودار پزشکی با بررسی پاتولوژیست فعلی)، و حقیقت اصلی از طریق بررسی کور توسط آسیب شناس دوم تعیین شد (به قدردانی مراجعه کنید)

cistanche treat kidney disease

چه مدت طول می کشد تا سیستانچ برای بیماران کلیوی کار کند؟

در اعتبار سنجی متقاطع، مدل تکه به تکه یک AUC کلی برابر با 917/9 0 به دست آورد، در حالی که رویکرد مبتنی بر وکسل یک AUC کلی 922/0 0 را به همراه داشت (شکل 2). دقت، حساسیت، ویژگی، PPV و NPV مدل در آستانه های مختلف ارزیابی شده در هر دو الگوریتم CNN در جدول 2 خلاصه شده است. در آستانه پیش بینی {{10}}.5، برش به رویکرد -slice دقت 0.831، حساسیت 0.817، ویژگی {{20}}.852، PPV 0.886 را به ما داد. و NPV از 0.767. در همان آستانه پیش‌بینی 0.5، رویکرد مبتنی بر وکسل نتایج مشابهی با دقت 0.879. 0، حساسیت 0.853، ویژگی {{35} به همراه داشت. }.916، PPV 0.935، و NPV 0.816. رویکرد مبتنی بر وکسل در مقایسه با گزارش‌های آسیب‌شناسی حقیقت پایه، 13 مثبت کاذب (فیبروز خفیف/متوسط طبقه‌بندی شده به عنوان شدید)، 32 منفی کاذب (فیبروز شدید تشخیص داده نشده؛ 15 درصد میزان خطا)، 187 مثبت واقعی، و 141 منفی واقعی به دست می‌دهد. .

نتایج حاصل از تجزیه و تحلیل‌های گروه‌های فرعی طبقه‌بندی شده در جدول 3 نشان داده شده است. عملکرد کلی در هر دو مدل پس از حذف آزمون‌های پس‌کنتراست و/یا مشابه بود.حذف کلیه های بومی آتروفیکدر بیمارانی که تحت پیوند قرار گرفته اند. کاهش جزئی در عملکرد ({0}}.86 دقت) به طور خاص برای استراتژی CNN مبتنی بر voxel پس از حذف آزمون‌های postcontrast مشاهده شد. همه جایگشت های دیگر دقت 0.90 دلار را نشان دادند. علاوه بر این، قابلیت تعمیم کلی مدل پس از طبقه بندی مجموعه آموزشی (Philips، GE) و مجموعه اعتبارسنجی (زیمنس) منحصراً توسط سازنده حفظ شد. مقایسه ابزارهای پیش بینی ما و سایر مطالعات CNN کهبیماری کلیوی را ارزیابی کردپارامترها جمع استدر جدول 4 نشان داده شده است.

Echinacoside of cistanche can improve kidney function

بحث

ما مطالعه AIRS را برای توسعه ابزارهای یادگیری ماشینی آغاز کردیمفیبروز کلیه را کمی کنیدبه عنوان یک جایگزین تشخیصی غیرتهاجمی برای بیوپسی کلیه. در گروهی متشکل از 92 بیمار، ما 300 بیمار را تجزیه و تحلیل کردیمتصاویر کلیه بومیو 73 پیوند کلیه از 152 سی تی اسکن شکم. ما دریافتیم که مدل‌های کلی برش به تکه و مدل‌های CNN مبتنی بر وکسل در تمایز شدید از خفیف مشابه هستند.فیبروز کلیه متوسط، با AUC {{0}}.917 در مقابل 0.922، و PPV 0.886 در مقابل 0.935، در مقایسه با حقیقت پایه ازگزارش بیوپسی کلیه. هر دو مدل CNN هنگام آزمایش بر روی اسکنرهای مختلف سی تی و زمانی که کلیه‌های بومی آتروفیک در بیمارانی که تحت پیوند قرار گرفته‌اند حذف شدند، به طور مداوم انجام شدند. زمانی که فقط سی تی اسکن های بدون کنتراست آزمایش می شدند، مدل جهانی تکه به تکه دقت پیش بینی کمی بهتری داشت.

بیوپسی تشخیصی کلیه زمانی که تشخیص بافت شناسی برای هدایت مدیریت پروتئینوری، رد پیوند یا کلیه غیرقابل توضیح مورد نیاز است، استاندارد مراقبت باقی می ماند.اختلال عملکرد (1،2). با این حال، تصمیم برای انجام بیوپسی کلیه بومی ممکن است پیچیده باشد، به خصوص اگر بیمار تحت درمان ضد انعقاد باشد یا کم خونی یا ترومبوسیتوپنی داشته باشد.که ممکن است خطر عوارض عمده را افزایش دهد،از جمله انتقال خون، مداخله آنژیوگرافی،و مرگ (نرخ کل حادثه 2%، 0.3% و 0.06% است.به ترتیب) (6). ابزارهای غیرتهاجمی برای ارزیابی مدرککلیهفیbrosis وجود ندارد (7)، و تا به امروز استفاده نشده استابزارهای یادگیری ماشینی را برای به حداقل رساندن ذهنیت وجانبداری. این ابزارها می توانند زمانی مفید باشند که در بخش ارزیابی شوندزمینه سایر نشانگرهای نارسایی مزمن کلیه(e.g.، افزایش هورمون پاراتیروئید و فسفات). در حدتیکولار، پیش بینی شدید (.50%) فیbrosis ممکن است توجیه کنداجتناب از بیوپسی کلیه زیرا بیمار انجام نمی دهدکاندیدای درمان تعدیل کننده ایمنی باشید (i.e.،بیوپسی مدیریت بالینی را تغییر نمی دهد). این اطلاعاتبرای مثال زمانی که بیماران مراجعه می کنند، جفت گیری ارزشمند استبا نارسایی پیشرفته کلیه و پزشکی ناشناخته اوتوری پاس های اضافی با سوزن بیوپسی برای بهینه سازی

نمونه برداری از گلومرول ها برای بافت شناسی از aکلیه فیبروتیکممکن است منجر به افزایش خطر خونریزی شود (22). اگر درجه شدیدی از فیبروز در تجزیه و تحلیل سی‌ان‌ان سی‌تی‌اسکن پیش‌بینی شود، تیم پزشکی ممکن است پس از تصمیم‌گیری مشترک با بیمار، نمونه‌برداری بیوپسی را محدود کند یا به‌کلی از بیوپسی کلیه اجتناب کند. شایان ذکر است، بیوپسی تشخیصی کلیه بومی ممکن است در کلیه به ظاهر نهایی به تشخیص نفرولوژیست برای هدایت ارزیابی کاندیداتوری پیوند یا تعیین علت یک بیماری سیستمیک نشان داده شود.

ما متوجه شدیم که آستانه پیش‌بینی 0.5 بهترین عملکرد را در مورد کاربردهای آینده در تصمیم‌گیری بالینی دارد، که به موجب آن هدف شناسایی بیماران مبتلا بهکلیه پیشرفتهفیbrosis، و بنابراین از بیوپسی تهاجمی اجتناب کنیدو عوارض احتمالی خونریزی که در بالا مورد بحث قرار گرفت.با مدل CNN مبتنی بر voxel، آستانه 0.5 خواهد بود

85 درصد از افراد مبتلا به فیبروز کلیه پیشرفته را با PPV 94 درصد شناسایی کنید (جدول 2). افزایش آستانه به 0.9 به طور جزئی PPV را تا 95% بهبود می بخشد، اما حساسیت را به شدت از 85% به 72% کاهش می دهد (یعنی 28% از افراد مبتلا به فیبروز شدید را از دست می دهد).

effect of cistanche improve kidney function (2)

در حال حاضر، محدودیت اولیه الگوریتم پیشنهادی این است که قبل از پیش‌بینی یادگیری عمیق، یک ناحیه دستی مورد علاقه برای هر کلیه تعریف شود.

با این حال، باید توجه داشت که اگرچه خطوط کلیوی سه بعدی به عنوان بخشی از این مطالعه ایجاد شد، پیش‌بینی برای هر بیمار جدید (یعنی جدا از آموزش) فقط نیاز به یک مکعب محدود کننده درشت در اطراف کلیه (ها) داشت. . الگوریتم‌هایی برای تقسیم‌بندی کل کلیه مبتنی بر یادگیری عمیق در حال توسعه هستند، که فرآیند کاملاً خودکار پایان به انتها را تسهیل می‌کند (23،24). محدودیت دیگر این است که ناهمگونی در درجه فیبروز در سراسر یک کلیه ممکن است منبع خطا در الگوریتم اصلی درستی و اعتبار باشد. در این مطالعه، ما تصمیم گرفتیم به جای استفاده از مقدار کمی از داده‌های پاک، مبادله شامل داده‌های بالقوه پر سر و صدا (کلیه‌ها تقسیم‌بندی شدند) را در اولویت قرار دهیم. از نظر تجربی، این استراتژی در وظایف یادگیری عمیق داده‌های بزرگ رایج است، و مشاهده ما از AUC پیش‌بینی الگوریتم 0.911 نشان می‌دهد که درجه نویز معرفی‌شده توسط این استراتژی متوسط است. اصلاحات آینده این الگوریتم‌های پیش‌بینی CNN از طریق ادغام مقادیر آزمایشگاهی بالینی مرتبط با بیماری مزمن کلیه، مانند کراتینین، هورمون پاراتیروئید و هموگلوبین بررسی خواهد شد. در انتظار مجموعه داده های بزرگتر، خروجی الگوریتم را می توان بیشتر بهینه کرد تا ترکیب بندی کمی گسترده تر را شامل شود.(درجه ازفیبریس,25%, 25%–50%, 50%–75 درصد و.75%). در نهایت با توجه به الگوریتم فعلی آموزش داده شده و معتبر استبر اساس داده های یک موسسه واحد، کار بیشتر استبرای ارزیابی تعمیم پذیری فراتر از مطالعه مورد نیاز استگروه بیماران

طبق دانش ما، مطالعه AIRS اولین مطالعه ای است که از مدل های CNN برای پیش بینی درجه فیبروز کلیه از اسکن های تصویربرداری استفاده می کند. نتایج امیدوارکننده است و الفاساس آزمایش این ابزارهای CNN در آزمایشات آینده نگر، بهزمانی که چنین است، کاربرد آنها را در تصمیم گیری بالینی تأیید کنیدمشخص نیست که آیا یک بیمار'بیماری کلیوی حاد در مقابل است

مزمن

kidney function

افشاگری ها

J. Zuckerman گزارش می دهد که قراردادهای مشاوره ای با Leica Biosystems دارد. گزارش های دریافت جوایز از ApotheCom. و گزارش می دهد که مشاور علمی یا عضوی از تشریحات پاتولوژی استcom P. Chang گزارش می دهد که قراردادهای مشاوره ای با، ودریافت بودجه تحقیقاتی از Canon Medical. و گزارش ها دارایداشتن منافع مالکیت در Avicenna.ai. WL Lau گزارش می دهد که داشتنقراردادهای مشاوره با Ardelyx و Fresenius. گزارش هادریافت بودجه تحقیقاتی از انجمن قلب آمریکا،Hub Therapeutics، و مؤسسه ملی بهداشت؛ و

گزارش های دریافت افتخاری از شرکت Roche Australian Nephrology Preceptorship. همه نویسندگان باقی مانده چیزی برای افشای ندارند.

منابع مالی

این پروژه توسط دانشگاه کالیفرنیا، دانشگاه کالیفرنیا، دانشکده پزشکی ارواین، جایزه تحقیقاتی پژوهشی 2019-2021 تامین شده است.

تشکر و قدردانی نویسندگان از دکتر آنتونی سیسک (گروه آسیب شناسی و پزشکی آزمایشگاهی، دانشکده پزشکی دیوید گفن در دانشگاه کالیفرنیا لس آنجلس) برای بررسی کورکورانه تشکر می کنند.بیماران بیوپسی ناسازگار برای تعیین حقیقت پایه

مشارکت های نویسنده

WL Lau این مطالعه را مفهوم سازی کرد. C. Chantaduly، K. Perez Reyes، H. Troutt، و J. Zuckerman مسئول نگهداری داده ها بودند. P. Chang، C. Chantaduly، و J. Zuckerman مسئول بودندبرای تجزیه و تحلیل رسمی؛ WL Lau مسئول بودکسب بودجه؛ C. Chantaduly و K. Perez Reyes بودندمسئول تحقیق؛ P. Chang، C. Chantaduly، و J.زاکرمن مسئول این روش بود. WL Lau وH. Troutt مسئول اداره پروژه بودند. پی. چانگمسئول منابع و نرم افزار بود. P. Chang و WLلاو نظارت را انجام داد. C. Chantaduly و H. Troutt نوشتندپیش نویس اصلی؛ P. Chang، C. Chantaduly، WL Lau، K. Perez Reyes،و H. Troutt نسخه خطی را بررسی و ویرایش کردند.

منابع

1. Luciano RL, Moeckel GW: به روز رسانی در مورد بیوپسی کلیه بومی: برنامه درسی اصلی 2019. Am J Kidney Dis 73: 404–415, 2019 https://doi.org/10.1053/j.ajkd.2018.10.011

2. Hogan JJ، Mocanu M، Berns JS: بیوپسی کلیه بومی: به روز رسانی و شواهد برای بهترین عمل. Clin J Am Soc Nephrol 11: 354–362، 2016Https٪3a٪2f٪2fdoi.org٪2f10.2215٪2fCJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: تشخیص و ارزیابی فیبروز کلیه: وضعیت هنر. Swiss Med Wkly 147: w14442، 2017

4. Fiorentino M، Bolignano D، Tesar V، Pisano A، Van Biesen W، D'Arrigo G، Tripepi G، Gesualdo L; گروه کاری ایمونونفرولوژی ERA-EDTA: بیوپسی کلیه در سال 2015: از اپیدمیولوژی تا نشانه های مبتنی بر شواهد. Am J Nephrol 43: 1–19، 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: عمل بیوپسی کلیه: استاندارد طلایی چیست؟ World J Nephrol 3: 287–294، 2014 https://doi.org/10. 5527/wjn.v3.i4.287

6. Poggio ED، McClelland RL، Blank KN، Hansen S، Bansal S، Bomback AS، Canetta PA، Khairallah P، Kiryluk K، Lecker SH، McMahon GM، Palevsky PM، Parikh S، Rosas SE، Tuttle K، Vaz quez MA , Vijayan A, Rovin BH; پروژه پزشکی دقیق کلیه: بررسی سیستماتیک و متاآنالیز عوارض بیوپسی کلیه بومی. Clin J Am Soc Nephrol 15: 1595–1602، 2020 https://doi.org/10.2215/CJN.04710420

7. عبدالتواب اچ، شهاتا م، شلابی ا.، خلیفه ف، محمود ع، الغار م.ا، دویر ای سی، غزل م، حاجدیاب اچ، کینتون آر، الباز ا: یک سیستم جدید CAD مبتنی بر CNN برای ارزیابی اولیه اختلال عملکرد کلیه پیوندی Sci Rep 9: 5948, 2019 https://doi.org/10.1038/s41598-019-42431-3

8. Wang Z، Yang H، Suo C، Wei J، Tan R، Gu M: کاربرد الاستوگرافی اولتراسوند برای اختلال عملکرد مزمن آلوگرافت در پیوند کلیه. J Ultrasound Med 36: 1759–1769، 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€ outter-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: سونوگرافی آلوگرافت کلیه: همبستگی بین شاخص مقاومت سونوگرافی داپلر (RI) و هیستوپاتولوژی. Clin Hemorheol Microcirc 70: 413–422، 2018 https://doi.org/10.3233/CH{9}}

10. Kuo CC، Chang CM، Liu KT، Lin WK، Chiang HY، Chung CW، Ho MR، Sun PR، Yang RL، Chen KT: اتوماسیون پیش‌بینی و طبقه‌بندی عملکرد کلیه از طریق تصویربرداری کلیه مبتنی بر سونوگرافی با استفاده از یادگیری عمیق. رقم مد 2: 1–9، 2019

چگونه به درستی آهن را برای کم خونی کلیوی CKD تکمیل کنیم، آیا به آن مبتلا شده اید؟

تأثیر پایش از راه دور بر نتایج بالینی استاندارد دیالیز صفاقی در بخش نفرولوژی