خلاصةخلفية الهدف من الذكاء الاصطناعي فيتندب الكلىتهدف دراسة (AIRS) إلى تطوير أدوات التعلم الآلي للقياس الكمي غير الجراحي لـتليف الكلىمن عمليات التصوير. الطرق: أجرينا تحليلاً بأثر رجعي للمرضى الذين خضعوا لواحد أو أكثر من عمليات التصوير المقطعي المحوسب للبطن (CT) خلال 6 أشهر من الإصابة.خزعة الكلى. شملت المجموعة النهائية 152 فحصًا بالأشعة المقطعية لـ 92 مريضًا، والتي تضمنت صورًا لـ 300 كلية أصلية و76 مريضًا.زرع الكلى. اثنان تلافيفيان مختلفانالشبكات العصبيةتم اختبار (المصنفات على مستوى الشريحة وعلى مستوى فوكسل) للتمييز بين الشديدة والخفيفة/المعتدلةتليف الكلى(50% مقابل 50%).التليف الخلاليوعشرات ضمور أنبوبي منخزعة الكلىتم استخدام التقارير كحقيقة أساسية. النتائج أظهر نموذجا التعلم الآلي قيمة تنبؤية إيجابية مماثلة ({{0}}.886 مقابل 0.935) والدقة (0.831 مقابل 0.879). الاستنتاجات باختصار، تعد خوارزميات التعلم الآلي أداة تشخيصية واعدة غير جراحيةقياس تليف الكلىمن الأشعة المقطعية. إن الفائدة السريرية لأدوات التنبؤ هذه، من حيث تجنب خزعة الكلى ومخاطر النزيف المرتبطة بها في المرضى الذين يعانون من التليف الشديد، لا تزال بحاجة إلى التحقق من صحتها في التجارب السريرية المرتقبة.
ما هي المدة التي يستغرقها عمل CISTANCHE لمرضى الكلى؟
مقدمة
تظل خزعة الكلى عن طريق الجلد الموجهة بالموجات فوق الصوتية هي معيار الرعاية عندما يكون التشخيص النسيجي ضروريًا لتوجيه إدارة البيلة البروتينية أو بيلة دموية مجهرية أو رفض الزرع أو خلل وظيفي غير مبرر في الكلى (1،2). غالبًا ما تكون درجة تليف الكلى أو شدة مرض الكلى المزمن غير معروفة في وقت خزعة الكلى (3). قد توضح خزعة الكلى التي تكشف عن تليف شديد (.50%) تشخيص المرض ولكن من غير المرجح أن تغير الإدارة السريرية وتضع المرضى في خطر النزيف المرتبط بالإجراء (4). تتراوح مضاعفات ما بعد الخزعة من بيلة دموية عابرة إلى نزيف مهدد للحياة وترتبط بعوامل الخطر التي تشمل ارتفاع ضغط الدم، والعمر المتقدم، وفقر الدم، وانخفاض عدد الصفائح الدموية، وانخفاض وظائف الكلى، وتشوهات الإرقاء (5). أفاد تحليل تلوي حديث لـ 118,064 خزعة من الكلى موجهة بالموجات فوق الصوتية عن معدلات حوادث لعمليات نقل الدم، والتدخل الوعائي، والوفاة بنسبة 2%، و0.3%، و0.06%، على التوالي (6).
يعد تقييم شدة مرض الكلى المزمن أمرًا بالغ الأهمية عند النظر في مخاطر وفوائد خزعة الكلى، ولكن الأدوات غير الجراحية لتقييم درجة التليف ما زالت متخلفة (7). لاحظت الدراسات التي استكشفت تقنيات الموجات فوق الصوتية (بما في ذلك تصوير سرعة موجة القص، وتصوير المرونة العابر، وتصوير المرونة في الوقت الحقيقي، وتصوير دوبلر بالموجات فوق الصوتية، والسلالة القشرية النخاعية بالموجات فوق الصوتية) وجود علاقة غير متناسقة مع درجة التليف في أنسجة الكلى (3،8،9). علاوة على ذلك، تعتمد هذه الأساليب بشدة على عوامل خارجية، مثل ضغط الدم، ووزن الكلى، ووزن الجسم، وقوة محول الطاقة المطبقة، ناهيك عن التباين العالي داخل المراقبين وفيما بينهم (3). وجد تقرير حديث وجود علاقة وثيقة بينتم تحديد حجم الكلى بالموجات فوق الصوتية مع وظيفة الكلى المقدرة (eGFR) ولكن لم يتم تقييمهاكليةتليف(10). كيربالاني وآخرون. أفاد أن تصوير المرونة بالرنين المغناطيسي كان واعدًا من حيث ربط درجات التيبس بتليف الكلى (11)، لكنه لم يستكشف أدوات التعلم الآلي كوسيلة لتحسين الدقة التنبؤية.
يتيح التصوير المقطعي المحوسب (CT) تصويرًا عالي الدقة لأنسجة الكلى مع الحد الأدنى من تعرض المريض للإشعاع (7). تكنولوجيا التعلم الآلي في combinaيعد التصوير المقطعي المحوسب وسيلة واعدة لغيرتقييم الغازية للكلىفايBrosis بدلا من الحاليالمعيار النسيجي للرعاية. التعلم العميق التلافيفيالشبكات العصبية (CNN) هي شكل جديد من أشكال التعلم الآلييمكن أن يعزل الأنماط ذات الصلة عن أنماطهعلم الطب أو التصوير أو غيرها من البيانات السريرية المفيدة للمرض
التوصيف (12،13). تم استكشاف تقنية CNN للتشخيص في مجموعة متنوعة من البيئات، بدءًا من النزيف داخل الجمجمة والسرطان إلى الالتهاب الرئوي والالتهاب الرئوي.التهاب الزائدة الدودية (14-17).
الهدف من دراسة الذكاء الاصطناعي في التندب الكلوي (AIRS) هو تطوير أدوات CNN لقياس تليف الكلى كبديل تشخيصي بمساعدة الكمبيوتر لخزعة الكلى. تم تدريب اثنين من خوارزميات CNN (مصنفات على مستوى الشريحة ومستوى فوكسل) لتحليل التصوير المقطعي للكلى الأصلية والمزروعة لتصنيف درجة التليف، بناءً على درجات التليف الحقيقية من خزعات الكلى في نفس المرضى. في هذا التحليل التجريبي، ركزنا على تحديد التليف الخفيف/المعتدل مقابل التليف الشديد (50% مقابل 50%) باعتباره انقسامًا ذا صلة سريريًا قد يكون مفيدًا لأخصائي أمراض الكلى الذي يفكر في إجراء خزعة الكلى لمريضه. لقد أثبتنا أن خوارزميات CNN يمكنها التمييز بين تليف الكلى الحاد والخفيف / المعتدل بدرجة عالية من الدقة
المواد والأساليب
قاعدة بيانات المرضى كان هذا تحليلًا بأثر رجعي لخزعات الكلى التي تم إجراؤها في مركز إيرفين الطبي بجامعة كاليفورنيا بين عامي 2014 و2019. وقد حددنا المرضى الذين أجروا فحوصات مقطعية للبطن بقيمة دولار واحد تم إكمالها خلال 6 أشهر من خزعة الكلى. بعد الفحص الأولي لنظام السجلات الطبية، تم استبعاد 42 مريضًا خضعوا للتصوير للأسباب التالية: إجراء التصوير المقطعي خارج فترة التضمين (0.6 أشهر من تاريخ الخزعة، n53)؛ التصوير بالرنين المغناطيسي للبطن ولكن لم يتم العثور على التصوير المقطعي المحوسب في النظام (n56) ؛ تم تخطي المرضى عن غير قصد في عملية التعليق التوضيحي (ن52)؛ الكلى الأصلية غير مجزأة لدى مريض خضع لعملية زرع (n51)؛ فحص منخفض الجودة باستخدام قطعة أثرية من الأجهزة (n51)؛ ودراسات التصوير الخارجية التي لم يتم تخزينها في أرشيفات التصوير طويلة المدى (n529). تم تنزيل ما تبقى من 152 صورة مقطعية من 92 مريضًا وتم استخراج حجم الأنسجة الرخوة المحورية المعاد بناؤها لمزيد من التحليل. تم إجراء غالبية الأشعة المقطعية (79%) دون استخدام التباين في الوريد؛ تم إجراء 129 عملية مسح على ماسح ضوئي من Philips، و22 على ماسح ضوئي من شركة Siemens، وواحدة على ماسح ضوئي من GE Medical Systems.
قام أخصائي علم الأمراض (JEZ) بمراجعة مجموعة عشوائية من المرضى للتأكد من توثيق درجة التليف بدقة في تقارير خزعة الكلى. في المرضى المتنافرين، قام أخصائي علم الأمراض الثاني بمراجعة الشرائح لتحديد الحقيقة الأساسية (انظر الشكر والتقدير). تمت معالجة درجة الحقيقة الأرضية لتليف الكلى من تقارير الخزعة كنتيجة ثنائية: خفيفة/متوسطة مقابل شديدة (التليف الخلالي والضمور الأنبوبي، 50% مقابل 50%). تم تسجيل الكلى الأصلية في الأشعة المقطعية من المرضى الذين تم زرعهم تلقائيًا على أنها تليف شديد. تم تجميع التركيبة السكانية والحالات المرضية المصاحبة في قاعدة بيانات REDCap، وتم الوصول إلى الصور المقطعية كما هو موضح أدناه. تمت الموافقة على جميع إجراءات البحث من قبل مجلس المراجعة المؤسسية بجامعة كاليفورنيا في إيرفين.
حاشية. ملاحظة
تم نقل الأشعة المقطعية من نظام أرشفة الصور والاتصالات في المستشفى إلى قاعدة بيانات داخلية آمنة. تم استخدام أداة تعليق توضيحية مخصصة على شبكة الإنترنت لإنشاء أقنعة ثنائية ثلاثية الأبعاد للحقيقة الأرضية تتوافق مع الكليتين اليمنى واليسرى الأصلية، وأي عمليات زرع كلى، إذا كانت موجودة. تم تنفيذ أداة التعليقات التوضيحية كأداة مساعدة بسيطة للفرشاة دون أي حدود أو وظيفة تحديد الخطوط المتقدمة. عمل اثنان من الباحثين الطلاب (HRT، KAPR) كمعلقين رئيسيين، وقام أحد كبار أخصائيي الأشعة (PDC) بعد ذلك بمراجعة كل مريض وشروح منطقة الاهتمام المكررة عند الحاجة.
المعالجة المسبقة للصورة
باستخدام أقنعة حجم الكلى المشروحة كقالب، تم قص كل كلية وإعادة تشكيلها إلى حجم فوكسل متناحٍ 96 3 96396. هذه الأوبرا إعادة التشكيلكان ذلك مطلوبًا للتأكد من أن جميع مدخلات النموذج لها نفس حجم المصفوفة ولملاءمة القيود المفروضة على ذاكرة وحدة معالجة الرسومات. ونظرا للكميات كانتتم اقتصاصها أولاً إلى الكليتين اليمنى واليسرى، وأن الكليتين لا تشكلان سوى جزء صغير من حجم التصوير المقطعي الأصلي، وكانت أحجام فوكسل المعاد تشكيلها النهائية متشابهة في الدقةمعالجة البيانات الأصلية. تم بعد ذلك تطبيع كل حجم تم اقتصاصه عن طريق قص جميع قيم فوكسل إلى نطاق يتراوح بين 2150 إلى 250 وحدة هاونسفيلد وقياسها بعامل 1:50. أيقد يحتوي الاختبار الفردي في مجموعة البيانات هذه على ما يصل إلى ثلاث كلى مقصوصة فردية تستخدم لتدريب الخوارزمية: (أصلية) على اليسار، (أصلية) على اليمين، وزرع. لأي طفل على حدةتم استخدام ما مجموعه 96 صورة ثنائية الأبعاد (بحجم 96396) للتدريب.
نهج سي إن إن
تم اختبار ومقارنة شبكتين مختلفتين من شبكات CNN ثنائية الأبعاد للتمييز بين تليف الكلى الحاد والخفيف/المعتدل. الخوارزمية الأولى هي عالمية قياسيةمُصنف CNN شريحة تلو الأخرى، مصمم للتنبؤ بواحدة من ثلاث فئات حصرية لكل صورة ثنائية الأبعاد: عدم وجود كلية، والتليف الخفيف/المعتدل، والتليف الشديد. الالخوارزمية الثانية عبارة عن مصنف CNN على مستوى البكسل يتم تنفيذه من خلال بنية U-Net تلافيفية بالكامل لإجراء التجزئة والتصنيف المتزامن. في
في كلا النموذجين، يتجاهل التصنيف النهائي الشرائح أو الفوكسيلات التي لا تحتوي على كلى، ويتم تجميع قاعدة الأغلبية على التوقعات المتبقية. يتم تنفيذ كلا الخوارزمياتباستخدام أحدث بنية شبكة الضغط والإثارة، وهو النموذج الأفضل أداءً لتحدي التعرف البصري واسع النطاق ImageNet في عام 2017 (18).يمكّن نهج شبكة الضغط والإثارة الشبكات من إعادة معايرة استجابات الميزات الخاصة بالقناة بشكل تكيفي بناءً على مدخلات نموذجية مختلفة عن طريق التعلم
الترابط بين القنوات (الشكل 1).
الشكل 1.|خرائط حرارية للتنبؤ تم إنشاؤها بواسطة خوارزمية التعلم العميق التي تحدد مناطق التليف "الشديد" المشتبه به داخل الكلى. من اليسار إلى اليمين، تظهر الكلى التي تتراوح من التليف الطبيعي إلى الشديد مع درجات تدريجية من الحمة الليفية المقدرة. يتم عرض متوسط تنبؤات softmax الطبيعية النهائية للكلية بأكملها في الصف السفلي، وتتراوح من 0.0 إلى 0.2؛ 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; و 0.8–1.0.
المصنف العالمي شريحة تلو الأخرى
مصنف CNN العالمي عبارة عن بنية مخصصة مشتقة من VGG يتم تنفيذها باستخدام وحدات إثارة الضغط في كل طبقة. إدخال النموذج عبارة عن شريحة ثنائية الأبعاد (96396) واحدةومخرجات النموذج عبارة عن متجه لوغاريتمي مكون من ثلاثة عناصر يمثل تنبؤًا من ثلاث فئات. تتكون شبكة CNN من أربع كتل تلافيفية، حيث يتم تعريف كل كتلة على أنها 333تم تكرار الإلتواء وتطبيع الدُفعات وReLU ثلاث مرات إجمالاً. يتم إجراء أخذ العينات الفرعية في نهاية كل كتلة من خلال التفاف بخطوة اثنين. بعد
أربع كتل تلافيفية (12 طبقة)، يتم تسوية خريطة المعالم النهائية واستخدامها كمدخل في طبقة واحدة متصلة بالكامل.
مصنف على مستوى فوكسل
يعد مصنف CNN على مستوى فوكسل عبارة عن بنية مخصصة مشتقة من U-Net يتم تنفيذها باستخدام وحدات إثارة الضغط في كل طبقة (19). مدخل النموذج عبارة عن شريحة واحدة ثنائية الأبعاد (96396) ومخرج النموذج عبارة عن قناع تجزئة فردي ثنائي الأبعاد (96396) مع تنبؤ من ثلاث فئات في كل موقع فوكسل. تتكون شبكة CNN من أربع كتل تلافيفية متعاقدة، حيث يتم تعريف كل كتلة على أنها تلافيفية 333، وتطبيع الدفعة، وتكرار Leaky ReLU ثلاث مرات إجمالاً. يتم إجراء أخذ العينات الفرعية في نهاية كل كتلة من خلال التفاف بخطوة اثنين. بعد أربع كتل تلافيفية (12 طبقة)، يتم عكس العمليات من خلال بنية شبكة متطابقة، مع استبدال التلافيفات المتعرجة (الفرعية).أخذ العينات) مع عمليات النقل التلافيفية (الاختزال).
تنفيذ الشبكات العصبية
يتم استخدام وظيفة فقدان الانتروبيا softmax لتحسين كلا النموذجين. تم إجراء التحسين باستخدام تقنية آدم (20) مع معدلات الانحلال الأسي، b1، وb2، المحددةإلى {{0}}.9 و0.999 على التوالي. تم تعيين معدل التعلم على 131023. وتم تعيين حجم الدفعة على ثمانية، بإجمالي 25000 تكرارًا للتدريب. يتم استخدام تطبيع Xavier للتهيئةالأوزان قبل التدريب (21). تمت كتابة كود الخوارزمية في مكتبة Python 3.6، ومكتبة TensorFlow 2.1.0، ومكتبة Keras 1.0.8. تم تدريب الشبكة على مجموعة وحدات معالجة الرسومات الداخلية لدينا، والتي تحتوي على 48 بطاقة Nvidia GeForce RTX 2080 Ti و12 GeForce RTX Titans. في المتوسط، تم تدريب المصنف العالمي لمدة 30 دقيقة لكل تجربة، في حين تم تدريب المصنف القائم على فوكسل لمدة 2-4 ساعات لكل تجربة.
تقييم
تم استخدام استراتيجية التحقق من الصحة خمسة أضعاف لتقييم عملية التدريب. على الرغم من أنه تم علاج ما يصل إلى ثلاث كلى مختلفة من كل مريض على حدة خلال فترة العلاجفي عملية التدريب، يتم تقسيم جميع المجلدات من مريض واحد إلى نفس مجموعة التحقق من الصحة لمنع تسرب البيانات. تم تقسيم مجموعة البيانات بنسبة 80:20 ثم تم تدريبها على80%، في حين تم استخدام 20% الأخرى للتحقق من الصحة. تم تكرار التدريب خمس مرات بتقسيمات مختلفة بنسبة 80:20 حتى تم التحقق من صحة مجموعة البيانات بالكامل
بالإضافة إلى التجارب على مجموعة البيانات بأكملها، تم إجراء تحليلات فرعية إضافية لتقييم المتغيرات المربكة المحتملة. تم تطبيق التقسيم الطبقيبناءً على حالة التباين الوريدي واستبعاد الكلى الأصلية الضامرة في المرضى الذين تلقوا عملية زرع. علاوة على ذلك، لتقييم قابلية تعميم النموذج، modتم التحقق من صحة الأجهزة التي تم تدريبها حصريًا من الماسحات الضوئية من Philips وGE حصريًا باستخدام بيانات من الماسحات الضوئية من Siemens.
إحصائيات
كان هدف دراستنا هو التمييز بين التليف الخفيف/المعتدل والتليف الشديد في التصوير المقطعي للكلية. تم استخدام قاعدة الأغلبية في كلا النهجين (شريحة بعد شريحة عالميةوالقائم على فوكسل) لتحديد مدى خطورةفايبروس.لتقييم الأداء بين النهجين،الدقة والحساسية والمواصفاتفايالمدينة، القيمة التنبؤية الإيجابية(PPV)، والقيمة التنبؤية السلبية (NPV) تم حسابهامتأخرا ومقارنة. المنطقة تحت جهاز الاستقبال الذي يعملتم حساب المنحنى (AUC) أيضًا عن طريق تغيير softmaxعتبة النتيجة لفايبروسيس كلاسيفايالكاتيون والنتيجةتم رسم منحنى لكلا النهجين للمقارنة. وصفيتم الإبلاغ عن الإحصائيات الفعلية على أنها متوسطة6SD.
