ÁgripBakgrunnur Markmið gervigreindarinnar íNýrnaár(AIRS) rannsóknin er að þróa vélanámsverkfæri fyrir óárásargjarna magngreiningufibrosis í nýrumúr myndskönnunum. Aðferðir Við gerðum afturskyggna greiningu á sjúklingum sem fóru í eina eða fleiri kviðsneiðmyndatöku (CT) innan 6 mánaða frá a.nýrna vefjasýni. Lokahópurinn náði til 152 tölvusneiðmynda frá 92 sjúklingum, sem innihéldu myndir af 300 innfæddum nýrum og 76ígræðslu nýru. Tveir ólíkir snúningshringirtauganet(sneiðarstig og voxelstigsflokkarar) voru prófaðir til að greina alvarlega á móti vægum/í meðallagifibrosis í nýrum($50% á móti, 50%).Millivefsvefjasmitog pípulaga rýrnun skorar fránýrna vefjasýniskýrslur voru notaðar sem sannleikur. Niðurstöður Vélnámslíkönin tvö sýndu svipað jákvætt forspárgildi ({{0}}.886 á móti 0.935) og nákvæmni (0.831 á móti 0.879). Ályktanir Í stuttu máli eru reiknirit fyrir vélanám efnilegt, ekki ífarandi greiningartækimæla bandvefsmyndun í nýrumúr tölvusneiðmyndum. Klínískt notagildi þessara spátækja, með tilliti til þess að forðast nýrnavefsýni og tengda blæðingarhættu hjá sjúklingum með alvarlega bandvefsbólgu, á eftir að staðfesta í væntanlegum klínískum rannsóknum.
HVAÐ TEKIÐ LANGAN tíma fyrir CISTANCHE AÐ VIRKA HJÁ NÝNASJÚKLINGA?
Kynning
Ómskoðunarstýrð vefjasýni úr húð frá húð er áfram staðall umönnunar þegar vefjafræðilegrar greiningar er nauðsynlegur til að leiðbeina meðhöndlun próteinmigu, smásjárblóðmigu, höfnun ígræðslu eða óútskýrðrar nýrnastarfsemi (1,2). Stig nýrnatrefjunar eða alvarleiki nýrnasjúkdóms er oft óþekkt þegar nýrnavefsýni er tekið (3). Nýrnavefsýni sem leiðir í ljós alvarlega (.50%) vefjagigt getur skýrt sjúkdómsgreiningu en ólíklegt er að hún breyti klínískri meðferð og setur sjúklinga í hættu á blæðingum sem tengjast aðgerðum (4). Fylgikvillar eftir vefjasýni eru allt frá tímabundnum blæðingum til lífshættulegra blæðinga og tengjast áhættuþáttum sem fela í sér hækkaðan blóðþrýsting, háan aldur, blóðleysi, lágt fjölda blóðflagna, skerta nýrnastarfsemi og óeðlilegar blæðingar (5). Í nýlegri safngreiningu á 118,064 ómskoðunarstýrðum nýrnasýnum var greint frá tíðni tilvika fyrir blóðgjöf, inngrip í æðamyndatöku og dauða 2%, 0,3% og 0,06%, í sömu röð (6).
Mat á alvarleika langvinnrar nýrnasjúkdóms er mikilvægt þegar litið er til áhættu og ávinnings af nýrnavefsýni, en verkfæri sem ekki eru ífarandi til að meta magn bandvefs eru vanþróuð (7). Rannsóknir sem könnuðu ómskoðunaraðferðir (þar á meðal skurðbylgjuhraðamyndgreiningar, skammvinn teygjugreining, rauntímateygjugreining, Doppler-sónamyndatöku og ómskoðun á bark- og hálskirtli) hafa bent á ósamræmi við gráðu bandvefs í nýrnavefjafræði (3,8,9). Ennfremur eru þessar aðferðir mjög háðar utanaðkomandi þáttum, svo sem blóðþrýstingi, nýrnaþyngd, líkamsþyngd og beittum transducer krafti, svo ekki sé minnst á mikinn breytileika innan og milli áhorfenda (3). Í nýlegri skýrslu kom fram náin fylgni á milliómskoðun ákvörðuð nýrnastærð með áætlaðri nýrnastarfsemi (eGFR) en ekki metiðnýrubandvefssjúkdómur(10). Kirpalani o.fl. greint frá því að segulómun teygjanlegt efni væri efnilegt hvað varðar fylgni við stífleikastig við nýrnatrefjun (11), en kannaði ekki vélanámstæki sem leið til að hámarka forspárnákvæmni.
Tölvusneiðmynd (CT) gerir kleift að mynda nýrnavef í hárri upplausn með lágmarks útsetningu fyrir geislun sjúklings (7). Vélnámstækni í sameiningution með tölvusneiðmyndatöku er efnilegur leið fyrir þá sem ekki eruífarandi mat á nýrumFibrosis, í stað straumsinsvefjafræðilegur umönnunarstaðall. Djúpt nám sveiflukennttaugakerfi (CNN) eru ný form vélanámsing, sem getur einangrað viðeigandi mynstur frá hanstæknifræði, myndgreiningu eða önnur klínísk gögn sem eru gagnleg fyrir sjúkdóma
persónusköpun (12,13). CNN tækni til greiningar hefur verið könnuð í ýmsum aðstæðum, allt frá blæðingum í höfuðkúpu og krabbameini til lungnabólgu ogbotnlangabólga (14–17).
Markmið rannsóknarinnar Artificial Intelligence in Renal Scarring (AIRS) er að þróa CNN verkfæri til að mæla bandvefsmyndun nýrna sem tölvustýrðan greiningarvalkost við nýrnavefsýni. Tveir CNN-algrímar (sneið- og voxel-stigsflokkarar) voru þjálfaðir til að greina sneiðmyndatöku af innfæddum nýrum og nýrum ígræðslu til að flokka magn bandvefsmyndunar, byggt á grunntengdum trefjastigum úr nýrnasýnum hjá sömu sjúklingum. Í þessari tilraunagreiningu lögðum við áherslu á að skilgreina væga/í meðallagi á móti alvarlegri (,50% á móti $50%) bandvefssjúkdómi sem klínískt viðeigandi tvískiptingu sem gæti verið gagnlegt fyrir nýrnalækni sem íhugar nýrnavefsýni fyrir sjúkling sinn. Við sýnum fram á að CNN reiknirit geta greint alvarlegan frá vægri/í meðallagi nýrnatrefjun með mikilli nákvæmni
Efni og aðferðir
Sjúklingagagnagrunnur Þetta var afturskyggn greining á nýrnasýnum sem framkvæmdar voru við háskólann í Kaliforníu í Irvine Medical Center á árunum 2014 til 2019. Við fundum sjúklinga með $1 tölvusneiðmyndatöku á kvið sem lokið var innan 6 mánaða frá nýrnasýninu. Eftir fyrstu skimun sjúkraskrárkerfisins voru 42 sjúklingar sem gengust undir myndgreiningu útilokaðir af eftirfarandi ástæðum: Sneiðmyndarannsókn gerð utan skráningartímabilsins (0,6 mánuðir frá dagsetningu vefjasýnis, n53); segulómun kviðarhols en engin CT fannst í kerfinu (n56); sjúklingar slepptu óvart í athugasemdaferlinu (n52); innfædd nýru ekki skipt í sjúkling sem hafði gengist undir ígræðslu (n51); lággæða skönnun með vélbúnaðargripi (n51); og utanaðkomandi myndgreiningarrannsóknir sem ekki voru geymdar í langtímamyndasafni (n529). Eftirstöðvar 152 tölvusneiðmynda frá 92 sjúklingum voru hlaðið niður og axial mjúkvefurinn endurgerður rúmmál var dregið út til frekari greiningar. Meirihluti tölvusneiðmynda (79%) voru gerðar án skuggaefnis í bláæð; 129 skannar voru gerðar á Philips skanna, 22 á Siemens skanna og ein á GE Medical Systems skanna.
Meinafræðingur (JEZ) fór yfir slembival af sjúklingum til að staðfesta hversu nákvæmlega bandvefsmyndun var skráð í skýrslum um nýrnavefsýni. Hjá sjúklingum sem voru ósamkvæmir fór annar meinafræðingur yfir glærurnar til að ákvarða sannleikann (sjá viðurkenningar). Raunverulegt stig nýrnatrefjunar úr vefjasýnisskýrslum var meðhöndlað sem tvíhliða niðurstaða: væg/í meðallagi á móti alvarlegri (millivefstrefjun og píplurýrnun, 50% á móti $50%). Innfædd nýru í sneiðmyndatöku frá sjúklingum sem voru ígræddir fengu sjálfkrafa einkunn sem alvarleg bandvefsbólga. Lýðfræði og samhliða sjúkdómum var safnað saman í REDCap gagnagrunn og CT-myndir voru skoðaðar eins og lýst er hér að neðan. Allar rannsóknaraðferðir voru samþykktar af Irvine Institutional Review Board háskólans í Kaliforníu.
Skýring
Sneiðmyndatökurnar voru fluttar úr myndageymslu- og samskiptakerfi sjúkrahússins í öruggan gagnagrunn innanhúss. Sérsniðið sérsniðið vefritað skýringartól var notað til að búa til grunnsannleika þrívíddar tvívíddar grímur sem samsvara innfæddum hægri og vinstri nýrum, og hvers kyns nýrnaígræðslu, ef til staðar. Skýringartólið var útfært sem einfalt burstatól án nokkurra þröskulda eða háþróaðrar útlínuvirkni. Tveir rannsakendur (HRT, KAPR) störfuðu sem aðalskýrendur og háttsettur geislafræðingur (PDC) fór í kjölfarið yfir hvern sjúkling og fínpússaði athugasemdir á áhugasviði þar sem þörf var á.
Myndaforvinnsla
Með því að nota merktu nýrnarúmmálsgrímurnar sem sniðmát var hvert nýra skorið og endursýnt í samsætulegt 96 3 96396 voxel rúmmál. Þessi endursýna óperaNauðsynlegt var að tryggja að öll líkaninntak væri af sömu fylkisstærð og til að mæta takmörkunum á minni grafíkvinnslueininga. Miðað við bindi vorufyrst skorið til hægra og vinstra nýra, og að nýrun eru aðeins lítill hluti af upprunalegu CT rúmmáli, voru endanlegar endursýndar voxel stærðir svipaðarlausn á upprunalegu gögnunum. Hvert skorið rúmmál var síðan staðlað með því að klippa öll voxel gildi á bilinu 2150 til 250 Hounsfield einingar og skalað um stuðulinn 1:50. Einhverstakt próf í þessu gagnasafni getur innihaldið allt að þrjú einstök nýru sem notuð eru við reikniritþjálfun: (innfæddur) vinstri, (innfæddur) hægri og ígræðsla. Fyrir hvern einstakan krakkaNei, alls 96 tvívíddar (2D) myndir (af stærð 96396) voru notaðar við þjálfun.
CNN nálgun
Tvö mismunandi sérsniðin 2D CNN net voru prófuð og borin saman til að greina alvarlegan frá vægri/í meðallagi nýrnatrefjun. Fyrsta reikniritið er staðlað alþjóðlegtCNN flokkari sneið fyrir sneið, hannaður til að spá fyrir um einn af þremur flokkum sem útiloka hvora tvívíddarmynd: engin nýra, væg/í meðallagi bandvefsmyndun og alvarleg bandvefsmyndun. TheAnnað reiknirit er CNN flokkari á pixlastigi sem er útfærður í gegnum fullkomlega sveiflukenndan U-Net arkitektúr til að framkvæma samtímis skiptingu og flokkun. Í
Bæði módelin, endanleg flokkun hunsar sneiðar eða voxels án nýra og meirihlutaregla er tekin saman um spárnar sem eftir eru. Bæði reikniritin eru útfærðmeð því að nota nýjasta squeeze-and-excitation netarkitektúrinn, besta líkanið af ImageNet Large Scale Visual Recognition Challenge árið 2017 (18).Squeeze-and-excitation net nálgunin gerir netkerfum kleift að stilla aðlögunarhæfni viðbrögð við eiginleikum sem byggjast á mismunandi líkaninntakum með því að læra
innbyrðis háð milli rása (Mynd 1).
Mynd 1.|Spáhitakort sem myndast af djúpnámsreikniritinu sem auðkennir svæði sem grunur er um „alvarlega“ bandvefsmyndun í nýrum. Frá vinstri til hægri eru nýru, allt frá venjulegri til alvarlegrar bandvefsmyndunar, sýnd með versnandi stigum áætluðu trefjavefslægi. Endanleg meðaltal softmax staðlaðar spár fyrir allt nýrað eru sýndar í neðstu röðinni, á bilinu 0.0 til 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; og 0.8–1.0.
Alþjóðlegur sneið-fyrir-sneið flokkari
Hinn alþjóðlegi CNN flokkari er sérsniðinn VGG-afleiddur arkitektúr útfærður með kreistu örvunareiningum í hverju lagi. Inntak líkansins er ein 2D (96396) sneiðog úttak líkansins er þriggja þátta logit vektor sem táknar þriggja flokka spá. CNN samanstendur af fjórum snúningsblokkum, þar sem hver blokk er skilgreind sem 333convolution, batch normalization og ReLU endurtekið þrisvar sinnum alls. Undirsýnataka er framkvæmd í lok hvers blokkar í gegnum snúning með tveimur skrefum. Eftir
fjórum snúningsblokkum (12 lög), er lokamyndakortið flatt út og notað sem inntak í eitt fulltengt lag.
Voxel-stig flokkari
CNN flokkarinn á voxel-stigi er sérsniðinn U-Netafleiddur arkitektúr útfærður með kreistu örvunareiningum í hverju lagi (19). Líkansinntakið er ein 2D (96396) sneið og líkanúttakið er ein 2D (96396) skiptingargríma með þriggja flokka spá á hverjum voxel stað. CNN samanstendur af fjórum samdráttarsnúningum, þar sem hver blokk er skilgreind sem 333 snúningur, batch normalization, og Leaky ReLU endurtekin þrisvar sinnum alls. Undirsýnataka er framkvæmd í lok hvers blokkar í gegnum snúning með tveimur skrefum. Eftir fjórar snúningsblokkir (12 lög) er aðgerðunum snúið við í gegnum sams konar netarkitektúr, með því að skipta út skrefum snúningum (undir-sýnatöku) með umbreytingum (uppsampling).
Innleiðing tauganets
Softmax crossentropy tap aðgerð er notuð til að fínstilla báðar gerðir. Hagræðing var framkvæmd með Adam tækni (20) með veldisfallshraða, b1 og b2, settí {{0}}.9 og 0.999, í sömu röð. Námshlutfallið er stillt á 131023. Lotustærðin er stillt á átta, með samtals 25,000 endurtekningar þjálfunar. Xavier normalization er notuð til að frumstillalóðin fyrir æfingu (21). Reikniritakóði var skrifaður í Python 3.6, TensorFlow 2.1.0 bókasafni og Keras 1.0.8 bókasafni. Netið er þjálfað á innri grafíkvinnslueiningarklasanum okkar, sem inniheldur 48 Nvidia GeForce RTX 2080 Ti og 12 GeForce RTX Titans. Að meðaltali þjálfaði alþjóðlegi flokkarinn í 30 mínútur í hverri tilraun, en voxel-undirstaða flokkarinn æfði í 2–4 klukkustundir í hverri tilraun.
Mat
Notuð var fimmföld krossprófunaraðferð til að meta þjálfunarferlið. Þrátt fyrir að allt að þrjú mismunandi nýru frá hverjum sjúklingi hafi verið meðhöndluð fyrir sig á meðanþjálfunarferli, allt magn frá einum sjúklingi er lagskipt í sama krossprófunarhóp til að koma í veg fyrir gagnaleka. Gagnapakki var skipt 80:20 og síðan þjálfað á80%, en hin 20% voru notuð til staðfestingar. Þjálfunin var endurtekin fimm sinnum alls með mismunandi 80:20 skiptingum þar til allt gagnasafnið var fullgilt
Auk tilrauna á öllum gagnahópnum voru gerðar viðbótargreiningar á undirhópi til að meta hugsanlegar truflandi breytur. Lagskipting var beittbyggt á skuggastöðu í bláæð og útilokun á rýrnuðum innfæddum nýrum hjá sjúklingum sem fengu ígræðslu. Ennfremur, til að meta módelalhæfni, models sem eingöngu voru þjálfaðir frá Philips og GE skanna voru fullgiltir eingöngu með gögnum frá Siemens skanna.
Tölfræði
Markmið okkar rannsóknarinnar var að greina á milli vægrar/í meðallagi bandvefsmyndunar og alvarlegrar bandvefsmyndunar á nýrnasneiðmyndatöku. Meirihlutareglan var notuð í báðum aðferðum (alþjóðleg sneið fyrir sneiðog voxel-undirstaða) til að ákvarða alvarleikaFibrosi.Til að meta árangur á milli tveggja aðferða,nákvæmni, næmni, sérstakurFiborg, jákvætt forspárgildi(PPV) og neikvætt forspárgildi (NPV) voru reiknuðseint og borið saman. Svæðið undir móttakara sem starfarferill (AUC) var einnig reiknaður út með því að breyta softmaxstigamörk fyrirFiBrosis ClassiFikatjón og niðurstaðaning ferill teiknaður fyrir báðar aðferðir til að bera saman. LýsingGreint er frá tölfræði sem meðaltal6SD.
