بیماری مزمن کلیه (CKD): آیا شما برای پیوند کلیه مجرد و دوتایی مناسب هستید؟

برای اطلاعات بیشتر:ali.ma@wecistanche.com

بخش Ⅰ: یک شبکه عصبی برای طبقه بندی گلومرول بر اساس تصاویر بافت شناسی بیوپسی کلیه

جاکومو دوناتو کاسکارانول، فرانچسکو ساوریو دبیتونتول و همکاران.

زمینه

بیماری مزمن کلیوی(CKD) یک وضعیت پاتولوژیک است که با انحطاط عملکردی مشخص می شودکلیه. CKD (بیماری مزمن کلیوی) دوازدهمین علت مرگ و میر با بیش از 1.1 میلیون مورد در سراسر جهان است. افزایش مرگ و میر مربوط به CKD (بیماری مزمن کلیوی)در سال‌های گذشته، آن را در کنار دیابت و زوال عقل به یکی از سریع‌ترین علل مرگ و میر در حال افزایش تبدیل کرده است [1، 2].کلیهپیوندبهترین درمان جایگزین کلیه است که نشان داده شده است که از درمان دیالیز از نظر خطر مرگ و میر طولانی مدت مؤثرتر است و در عین حال تأثیر کمتری بر سیستم بهداشت عمومی دارد [3، 4].

برای بیماری مزمن کلیه به Cistanche NZ کلیک کنید

لیاناژ و همکاران تخمین زده شد که در سال 2010، 2.6 میلیون نفر، در مقابل 4.9 میلیون بیمار، درمان جایگزینی کلیه را در سراسر جهان دریافت کردند، که نشان می دهد حداقل 2.3 میلیون نفر ممکن است به دلیل عدم دسترسی به درمان مناسب، زودتر از موعد جان خود را از دست داده باشند [5].

با توجه به ضرورت روزافزونکلیهپیوندها[6]، مطالعات مختلف سعی در گسترش معیارهای پذیرش داشتندکلیه هابرای پیوند، که به طور کلی بر اساس سن اهدا کننده و سایر ویژگی های مربوط به کیفیت و ابعاد آن حذف می شوند.کلیه ها[7,8].

مور و همکاران مقایسه ای بین دوگانه انجام دادکلیهپیونداز اهداکنندگان معیارهای توسعه یافته (ECD) و مجردکلیهپیونداز ECD های همزمان و اهداکنندگان معیارهای استاندارد. نویسندگان ارزیابی کردند که استفاده از دوپیوند کلیهاز اهداکنندگان حاشیه ای یک گزینه مناسب است و عملکرد کلیوی می تواند به دست آید، مشروط بر اینکه هر دوکلیه هابه یک گیرنده واحد پیوند زده می شوند [9].

رموزی و همکاران تکنیکی برای ارزیابیکلیهوضعیتبا ارزیابی بیوپسی های بافت شناسی [10]. معیار ارزیابی، معروف به امتیاز کارپینسکی، تکامل (در درصد) یک وضعیت پاتولوژیک چهار ناحیه عملکردی اصلی را در نظر می‌گیرد: گلومرولواسکلروز، آتروفی لوله‌ای، فیبروز بینابینی و اسکلروز شریانی. این امتیاز از 0 تا 12 متغیر است و هر چه این عدد بیشتر باشد، بدتر استوضعیت کلیه ها [10-12]. کلیه هابا امتیاز کارپینسکی از 0 تا 3 و از 4 تا 6 مناسب برایپیوند تک و دوتایی، به ترتیب.

درمان بیماری کلیوی: سیستانچ و پیوند کلیه

برای ارزیابی امتیاز کارپینسکی، آسیب شناسان ارزیابی بصری تصاویر هیستوپاتولوژیک کل اسلاید (WSIs) را انجام می دهند. این فرآیند معمولاً زمان بر، مستعد خطا و همچنین ذهنی است.

برای غلبه بر این اشکالات، توسعه سیستم‌های تشخیص به کمک رایانه (CAD) بر اساس تجزیه و تحلیل تصویر بافت آسیب‌شناسی برای پشتیبانی از محاسبه امتیاز پیشرفت ارزشمندی است.

مقالات اخیر کاربرد تکنیک های پردازش تصویر و یادگیری ماشین را برای تجزیه و تحلیل نشان می دهدکلیههیستوپاتولوژیکWSI برای تشخیص و طبقه بندی گلومرول ها هدف رویکردهای پردازش تصویر استخراج ویژگی‌های معنادار است، به عنوان مثال، آنهایی که بر اساس تحلیل شکل و بافت هستند. سپس، الگوریتم های یادگیری ماشین، مانند شبکه های عصبی مصنوعی کم عمق یا عمیق (ANN)، بر اساس ویژگی های استخراج شده تصمیم گیری می کنند.

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 درصد) به عنوان نتایج.

برای انجام یک تشخیص جامع گلومرول ها در تصاویر کلکلیهبخش، کاتو و همکاران. توصیفگر جدیدی به نام Segmental HOG (هیستوگرام گرادیان های جهت دار) پیشنهاد کرد[14]. نویسندگان ادعا کردند استحکام راه حل و خروجی های تقسیم بندی با کیفیت بالا. علاوه بر این، نویسندگان Segmental HOG را با HOG مستطیلی مقایسه کردند و نشان دادند که رویکرد اول به بهبودهای قابل توجهی در عملکرد تشخیص دست یافته است.

در عوض، چندین نویسنده بر تجزیه و تحلیل شکل و رنگ گلومرول ها تمرکز کردند. کوتیک و همکاران یک راه حل جدید برای مواجهه با تغییرات شدت گسترده و ناسازگاری از نظر شکل و اندازه گلومرول ها در سلول کلیوی پیشنهاد کردند. رویکرد پیشنهادی، بر اساس تکنیک تجزیه و تحلیل ذرات، امکان تشخیص سلول کلیوی و اندازه‌گیری زیر قطر گلومرول و عرض فضای بومن را فراهم کرد. نویسندگان ارزیابی می‌کنند که این رویکرد برای تغییر شکل‌های گلومرولی حتی با هیپرتروفی گلومرولی قوی بود [15]. تجزیه و تحلیل اثرات تنوع قابل توجه رنگ و شکل بافت بر روی تصاویر کل اسلاید توسط ژائو و همکاران انجام شد. [16]. نویسندگان بر استخراج عرض کپسول بومن برای طراحی یک چارچوب استخراج خودکار گلومرول از میکروگراف کل بافت کلیوی تمرکز کردند. این سیستم بر روی بافت‌های کلیوی پستانداران غیر انسانی با رنگ‌آمیزی هماتوکسیلین و ائوزین (HE) آزمایش شد.

بوکووی و همکاران یک گردش کار تحلیل متفاوت را پیشنهاد کرد. در [17]، نویسندگان یک شبکه عصبی کانولوشن برای تشخیص گلومرول ها در بخش های کلیه با رنگ آمیزی تری کروم ایجاد کردند. این روش روی موش آزمایش شدکلیه هاو نتایج گزارش شده در مورد طبقه بندی گلومرول های سالم و آسیب دیده، میانگین دقت و یادآوری را به ترتیب 94/96 درصد و 79/96 درصد نشان می دهد.

در کار قبلی Bevilacqua و همکاران، یک سیستم CAD برای تقسیم‌بندی و تمایز رگ‌های خونی در مقابل لوله‌های بیوپسی درکلیهبافت طراحی و آزمایش شده است [18]. تصاویر بافت‌شناسی با رنگ‌آمیزی Peri-odic Acid-Schiff (PAS) برای تقسیم‌بندی مناطق مورد علاقه (ROIs) و استخراج ویژگی‌های Haralick استفاده شده‌اند که امکان طبقه‌بندی بعدی را با استفاده از الگوریتم‌های مبتنی بر ANN فراهم می‌کند. نتایج آزمایش مشخص کرد که رویکرد ANN نظارت شده سازگار است و به دست آوردن عملکرد طبقه‌بندی خوب امکان‌پذیر است.

این کار بر ارزیابی خودکار تمرکز داردکلیهبیوپسی، که با یک وضعیت پاتولوژیک خاص در نظر گرفته شده توسط امتیاز کارپینسکی سروکار دارد: گلومرولواسکلروز، به عنوان مثال. نسبت بین گلومرول های اسکلروز شده و تعداد کلی گلومرول ها. برای انجام این کار، تشخیص و تمایز وضعیت اسکلروتیک موثر بر گلومرول ها از غیر اسکلروتیک بسیار مهم است. همانطور که قبلاً در آثار پیشرفته گزارش شده است، این یک کار چالش برانگیز به دلیل تغییرات شدت گسترده گلومرول ها و ناهماهنگی در شکل و اندازه است.

درمان بیماری کلیوی:پیوند تک و دوتاییتحقیقات

ترکیبی از الگوریتم‌های استخراج ویژگی مختلف برای تشخیص وضعیت گلومرول‌ها طراحی و ارزیابی شده است. ادبیات گزارش‌شده الگوریتم‌های پردازش تصویر خاص و منحصربه‌فردی را نشان می‌دهد که بر روی انواع مختلف رنگ‌آمیزی و WSI غیرانسانی اعمال می‌شود. مجموعه ویژگی‌های پیشنهادی در این کار، در عوض، از مجموعه‌ای از دو خانواده الگوریتم‌های استخراج‌کننده ویژگی‌های پرکاربرد، شناخته‌شده و همه‌منظوره، ویژگی‌های شکل‌شناسی و بافت می‌آیند. این خانواده‌های ویژگی نیز در برخی از الگوریتم‌های پیشنهادی در ادبیات گنجانده شده‌اند، اما در این کار، آنها از WSIs انسانی با رنگ‌آمیزی PAS استخراج شدند. علاوه بر این، خط لوله طبقه‌بندی، که در روش‌ها به تفصیل شرح داده شده است، شامل روش‌هایی برای کاهش ویژگی‌ها نیز می‌شود که امکان طراحی یک شبکه عصبی مصنوعی کم عمق را فراهم می‌کند. گردش کار کلی پیشنهاد شده در این کار، و ادغام با روش ارائه شده در [18]، به ما این امکان را می دهد که یک سیستم CAD کامل برای تجزیه و تحلیل WSIs هیستوپاتولوژیک بسازیم.

نتایج

نتایج به‌دست‌آمده از ارزیابی گردش کار طبقه‌بندی پیشنهادی در مجموعه آزمایش گزارش می‌شود. به طور خاص، نتایج به عملکرد به‌دست‌آمده با توجه به مجموعه کاهش یافته ویژگی‌های طبقه‌بندی‌شده با استفاده از ANN کم عمق متقاطع اشاره دارد. همانطور که در جدول 1 گزارش شده است، مجموعه آزمایش از 579 تصویر گلومرول تشکیل شده است: 87 اسکلروتیک، 492 غیر اسکلروتیک.

برای ارزیابی پایداری گردش کار، 10 اجرا از کل فرآیند انجام شد. نتایج به‌دست‌آمده در جدول 2 خلاصه شده‌اند. به‌ویژه، نتایج بر حسب میانگین و انحراف معیار چندین معیار، یعنی دقت (معادل 1)، دقت (معادل 2)، یادآوری (معادل 3)، و متیوز گزارش شده‌اند. ضریب همبستگی (معادل 4) [19]، بر اساس ماتریس سردرگمی گزارش شده در جدول 3 ارزیابی شده است.

در بین تکرارها، بهترین نتایج در جدول 4 گزارش شده است، در حالی که ماتریس سردرگمی مربوطه در جدول 5 گزارش شده است.

گردش کار پیاده سازی شده امکان طبقه بندی گلومرول های اسکلروتیک و غیر اسکلروتیک با عملکرد خوب (میانگین MCC=0.95 و میانگین دقت=0.99) و تنوع کم (MCC std=0.01) را فراهم می کند. و دقت 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="">

جدول 1 پیکربندی مجموعه داده	جدول 2 مقایسه معیارهای 10 مقداردهی اولیه شبکه

جدول 3 ماتریس سردرگمی برای محاسبات متریک	جدول 4 مقایسه معیارهای 10 مقداردهی اولیه شبکه

جدول 5 ماتریس سردرگمی بهترین مدل

بحث

با ارزیابی رویکرد پیشنهادی در یک مجموعه آزمایشی مستقل، گردش کار طبقه‌بندی میانگین MCC و دقت به ترتیب 95.95 و 0.99 به ترتیب به میانگین MCC و دقت و تنوع کم در 10 تکرار مستقل دست یافت (MCC std{{5} }.01 و 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,="">

در حین پیاده سازی و ارزیابی گردش کار گزارش شده، با مشکل رایج عدم تعادل داده ها مواجه شدیم و آزمایش کردیم که با استفاده از MCC به عنوان ضریب مقایسه عملکرد و منحنی ROC برای انتخاب آستانه طبقه بندی بهینه حل شده است. نتایج گزارش‌شده نشان می‌دهد که تنظیم گردش کار پیشنهادی برای حوزه مورد بررسی قابل اعتماد است، و از عملکرد بالینی تمایز دو دسته گلومرول‌ها پشتیبانی می‌کند.

با تجزیه و تحلیل گلومرول‌های طبقه‌بندی‌شده اشتباه، متوجه شدیم که تصاویر ورودی مربوط به نمونه‌های طبقه‌بندی‌شده اشتباه، مصنوعات رنگ‌آمیزی یا قطعات جزئی (عمدتاً در لبه‌ها) را نشان می‌دهند. نمونه‌های رایج در شکل 1 ذکر شده‌اند. با این حال، در عمل بالینی، آسیب‌شناسان چنین تصاویری را که می‌توانند با طراحی استراتژی‌هایی برای شناسایی تصاویر پیشاپیش متاثر از چنین مشکلاتی در جریان کار پیشنهادی حذف شوند، کنار می‌گذارند.

درمان بیماری کلیوی: پیوند کلیه تکی و دوتایی

برای قسمت Ⅱ اینجا را کلیک کنید