Хронична болест бубрега (ЦКД): Да ли сте погодни за трансплантацију једног и двоструког бубрега?

за више информација:ali.ma@wecistanche.com

Део Ⅰ: Неуронска мрежа за класификацију гломерула на основу хистолошких слика биопсије бубрега

Ђакомо Донато Каскаранол, Франческо Саверио Дебитонтол и др.

Позадина

Хронична болест бубрега(ЦКД) је патолошко стање које карактерише функционална дегенерацијабубрега. ЦКД (Хронична болест бубрега) је 12. узрок смрти, са до 1,1 милион случајева широм света; повећан морталитет повезан са ЦКД (Хронична болест бубрега)последњих година чини га једним од најбрже растућих узрока смрти, поред дијабетеса и деменције [1, 2].Бубрегтрансплантацијаје најбоља бубрежна супституциона терапија за коју се показало да је ефикаснија од лечења дијализом у смислу дуготрајног ризика од смртности и истовремено има смањен утицај на систем јавног здравља [3, 4].

Кликните на Цистанцхе НЗ за хроничну болест бубрега

Лиианаге и др. процењено је да је 2,6 милиона људи, наспрам 4,9 милиона пацијената, примило терапију замене бубрега широм света у 2010. години, што сугерише да је најмање 2,3 милиона људи можда умрло прерано јер није било могуће приступити одговарајућој терапији [5].

Због све веће потребе забубрегатрансплантације[6], различите студије су покушавале да прошире критеријуме за прихватањебубрезиза трансплантацију, који су генерално искључени на основу старости донора и других карактеристика које се односе и на квалитет и на димензијубубрези[7,8].

Мооре ет ал. извршио поређење између дуалнихбубрегатрансплантацијаод донатора проширених критеријума (ЕЦД) и појединачнихбубрегатрансплантацијаод истовремених ЕЦД-ова и донатора стандардних критеријума. Аутори су оценили да је употреба дуалтрансплантација бубрегаод маргиналних донора је одржива опција и да се бубрежна функција може постићи, под условом да обојебубрезисе трансплантирају у једног примаоца [9].

Ремуззи и др. предложио технику за проценубубрегастањепроценом хистолошких биопсија [10]. Критеријум за процену, познат као Карпински скор, разматра еволуцију (у процентима) патолошког стања четири главна функционална подручја: гломерулосклероза, тубуларна атрофија, интерстицијална фиброза и артеријска склероза. Овај резултат се креће од 0 до 12, а што је већи број, то је лошијестање бубрега [10-12]. Бубрезиса оценом Карпинског од 0 до 3 и од 4 до 6 се сматрају погодним запојединачне и двоструке трансплантације, редом.

Лечење болести бубрега: цистанцхе и трансплантација бубрега

Да би проценили скор по Карпинском, патолози врше визуелну процену хистопатолошких слика целог слајда (ВСИ). Овај процес је обично дуготрајан, склон грешкама, а такође је субјективан.

Да би се превазишли ови недостаци, развој система компјутерски потпомогнуте дијагностике (ЦАД) заснованих на хистопатолошкој анализи слике ткива за подршку израчунавању резултата је драгоцен напредак.

Новија литература показује примену техника обраде слике и машинског учења за анализубубрегахистопатолошкиВСИ за детекцију и класификацију гломерула. Приступи обради слике имају за циљ да издвоје значајне карактеристике, нпр. оне засноване на анализи облика и текстуре; затим, алгоритми машинског учења, као што су плитке или дубоке вештачке неуронске мреже (АНН), доносе одлуке на основу екстрахованих карактеристика.

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 процената) као резултати.

Да изврши свеобухватну детекцију гломерула на сликама целинебубрегасекције, Като ет ал. предложио је нови дескриптор под називом Сегментални ХОГ (Хистограм оријентисаних Градијената)[14]. Аутори су тврдили робустност решења и висококвалитетне резултате сегментације; осим тога, аутори су упоредили сегментни ХОГ са правоугаоним ХОГ показујући да је први приступ постигао значајна побољшања у перформансама детекције.

Уместо тога, неколико аутора се фокусирало на анализу облика и боје гломерула. Котик и сарадници су предложили ново решење за суочавање са широким варијацијама интензитета и недоследношћу у погледу облика и величине гломерула у бубрежном телу. Предложени приступ, заснован на техници Партицлес Анализер, омогућио је детекцију бубрежног корпускула и следеће мерење пречника гломерула и ширине Бовмановог простора. Аутори процењују да је приступ био отпоран на деформације гломерула чак и са гломеруларном хипертрофијом [15]. Зхао ет ал. [16]. Аутори су се фокусирали на екстракцију ширине Бовманове капсуле да би дизајнирали аутоматизовани оквир за екстракцију гломерула са микрографије целокупног бубрежног ткива. Систем је тестиран на бубрежном ткиву нељудских примата са бојењем хематоксилином и еозином (ХЕ).

Букови ет ал. предложио другачији ток рада анализе. У [17], аутори су развили конволуциону неуронску мрежу за детекцију гломерула у трихром обојеним пресецима бубрега. Поступак је тестиран на пацовимабубрезиа пријављени резултати, у вези са класификацијом здравих и оштећених гломерула, показују просечну прецизност и повлачење од 96,94 одсто и 96,79 одсто, респективно.

У претходном раду Бевилацкуа и сарадника, ЦАД систем за сегментацију и дискриминацију крвних судова наспрам тубула из биопсија убубрегаткиво је дизајнирано и тестирано [18]. Хистолошке слике са периодичном киселином-Сцхифф (ПАС) бојењем су коришћене за сегментирање региона од интереса (РОИ) и издвајање Харалицк карактеристика омогућавајући накнадну процедуру класификације коришћењем алгоритама заснованих на АНН. Резултати тестирања су утврдили да је надгледани приступ АНН био доследан, омогућавајући постизање добрих перформанси класификације.

Овај рад се фокусира на аутоматску евалуацијубубрегабиопсије, које се баве специфичним патолошким стањем које сматра Карпински скор: гломерулосклероза, тј. однос између склерозираних гломерула и укупног броја гломерула. Да би се то постигло, кључно је откривање и разликовање склеротичних стања која утичу на гломеруле од оних који нису склеротични. Као што је већ наведено у најновијим радовима, ово је изазован задатак због широких варијација интензитета гломерула и недоследности у облику и величини.

лечење болести бубрега:појединачне и двоструке трансплантацијеистраживања

Комбинација различитих алгоритама за екстракцију карактеристика је дизајнирана и процењена за разликовање стања гломерула. Пријављена литература показује специфичне и јединствене алгоритме за обраду слике примењене на различите врсте бојења и ВСИ које нису хумане. Скуп карактеристика предложених у овом раду, уместо тога, долази из колекције две широко коришћене, добро познате породице алгоритама за издвајање карактеристика опште намене, тј. еморфолошких и текстурних карактеристика. Ове породице карактеристика су такође укључене у неке од алгоритама предложених у литератури, али у овом раду су екстраховани из хуманих ВСИ са ПАС бојењем. Поред тога, цевовод класификације, детаљно описан у Методама, укључује и процедуре за смањење карактеристика које омогућавају пројектовање плитке вештачке неуронске мреже. Укупан ток рада предложен у овом раду, и интеграција са процедуром представљеном у [18], омогућиће нам да изградимо комплетан ЦАД систем за анализу хистопатолошких ВСИ.

Резултати

Приказују се резултати добијени евалуацијом предложеног тока класификације на тестном скупу. Конкретно, резултати се односе на перформансе добијене с обзиром на смањени скуп карактеристика класификованих коришћењем унакрсно валидиране плитке АНН. Као што је наведено у табели 1, тестни сет је састављен од 579 слика гломерула: 87 склеротичних, 492 несклеротичних.

Да би се проценила стабилност тока посла, извршено је 10 покретања целог процеса. Постигнути резултати су сумирани у табели 2. Конкретно, резултати су приказани у смислу средње вредности и стандардне девијације неколико метрика, тј. тачности (једначина 1), прецизности (једначина 2), опозива (једначина 3) и Метјуза Коефицијент корелације (Ек.4)[19], процењен према матрици конфузије приказаној у табели 3.

Међу итерацијама, најбољи резултати су приказани у табели 4, док је одговарајућа матрица конфузије приказана у табели 5.

Имплементирани ток рада омогућава класификацију склеротичних и несклеротичних гломерула са добрим перформансама (средња МЦЦ=0.95 и средња тачност=0.99) и малом варијабилности (МЦЦ стд=0.01 анд Аццураци стд<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="">

Табела 1 Конфигурација скупа података	Табела 2 Поређење метрика за 10 иницијализација мреже

Табела 3 Матрица конфузије за израчунавање метрике	Табела 4 Поређење метрика 10 иницијализације мреже

Табела 5 Матрица конфузије најбољег модела

Дискусија

Оцењујући предложени приступ на независном скупу тестова, ток рада класификације је постигао средњу МЦЦ и тачност од {{0}},95 и 0,99, респективно, и ниску варијабилност током 10 независних итерација (МЦЦ стд{{5} }.01 и тачност стд<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,="">

Током имплементације и евалуације пријављеног тока посла, суочили смо се и тестирали уобичајени проблем неравнотеже података, који је решен коришћењем МЦЦ-а као коефицијента поређења перформанси и РОЦ криве за избор оптималног прага класификације. Пријављени резултати сугеришу да је предложено подешавање тока посла поуздано за испитивани домен, подржавајући клиничку праксу дискриминације две класе гломерула.

Анализирајући погрешно класификоване гломеруле, такође смо открили да улазне слике које одговарају погрешно класификованим узорцима показују артефакте бојења или делимичне делове (углавном на ивицама); Уобичајени примери су поменути на слици 1. У клиничкој пракси, међутим, патолози одбацују такве слике које би такође могле бити искључене у предложеном току рада дизајнирањем стратегија за унапред откривање слика на које утичу такви проблеми.

Лечење болести бубрега: трансплантација једног и двоструког бубрега

КЛИКНИТЕ ОВДЕ ЗА ДЕО Ⅱ