AbstractAchtergrond Het doel van de Kunstmatige Intelligentie inNierlittekens(AIRS)-studie is bedoeld om machine learning-instrumenten te ontwikkelen voor de niet-invasieve kwantificering vannierfibrosevan beeldscans. Methoden We voerden een retrospectieve analyse uit van patiënten die één of meer abdominale computertomografie (CT)-scans hadden ondergaan binnen zes maanden na eennierbiopsie. Het uiteindelijke cohort omvatte 152 CT-scans van 92 patiënten, waaronder afbeeldingen van 300 inheemse nieren en 76nieren transplanteren. Twee verschillende convolutioneleneurale netwerken(classificatoren op segmentniveau en voxelniveau) werden getest om onderscheid te maken tussen ernstig en mild/matignierfibrose($50% versus 50%).Interstitiële fibroseen tubulaire atrofiescores vannierbiopsierapporten werden gebruikt als grondwaarheid. Resultaten De twee machine learning-modellen lieten een vergelijkbare positieve voorspellende waarde ({{0}}.886 versus 0.935) en nauwkeurigheid (0.831 versus 0.879) zien. Conclusies Samengevat zijn machine learning-algoritmen een veelbelovend, niet-invasief diagnostisch hulpmiddelnierfibrose te kwantificerenvan CT-scans. Het klinische nut van deze voorspellingsinstrumenten, in termen van het vermijden van nierbiopten en de daarmee samenhangende bloedingsrisico's bij patiënten met ernstige fibrose, moet nog worden gevalideerd in prospectieve klinische onderzoeken.
HOE LANG DUURT HET VOORDAT CISTANCHE BIJ NIERPATIËNTEN WERKT?
Invoering
Echogeleide percutane nierbiopsie blijft de standaardbehandeling wanneer de histologische diagnose nodig is om de behandeling van proteïnurie, microscopische hematurie, transplantaatafstoting of onverklaarde nierdisfunctie te begeleiden (1,2). De mate van nierfibrose of de ernst van chronische nierziekte is vaak onbekend op het moment van een nierbiopsie (3). Een nierbiopsie die ernstige (0,50%) fibrose aan het licht brengt, kan de diagnose van de ziekte verhelderen, maar zal waarschijnlijk geen verandering in de klinische behandeling teweegbrengen en brengt patiënten in gevaar op proceduregerelateerde bloedingen (4). Complicaties na een biopsie variëren van voorbijgaande hematurie tot levensbedreigende bloedingen en correleren met risicofactoren zoals verhoogde bloeddruk, gevorderde leeftijd, bloedarmoede, laag aantal bloedplaatjes, verminderde nierfunctie en hemostase-afwijkingen (5). Een recente meta-analyse van 118064 echogeleide nierbiopten rapporteerde incidentiepercentages voor bloedtransfusies, angiografische interventies en sterftecijfers van respectievelijk 2%, 0,3% en 0,06% (6).
Het beoordelen van de ernst van CKD is van cruciaal belang bij het overwegen van de risico's en voordelen van een nierbiopsie, maar niet-invasieve instrumenten om de mate van fibrose te evalueren zijn onderontwikkeld (7). Studies die ultrasone technieken onderzochten (waaronder beeldvorming met schuifgolfsnelheid, voorbijgaande elastografie, real-time elastografie, Doppler-echografie en ultrasone corticomedullaire belasting) hebben een inconsistente correlatie met de mate van fibrose op de histologie van de nier opgemerkt (3,8,9). Bovendien zijn deze methoden sterk afhankelijk van externe factoren, zoals bloeddruk, niergewicht, lichaamsgewicht en de toegepaste transducerkracht, om nog maar te zwijgen van de hoge intra- en interobservatorvariabiliteit (3). Uit een recent rapport blijkt dat er een nauw verband bestaat tussenechografie bepaalde niergrootte met geschatte nierfunctie (eGFR), maar niet beoordeeldnierfibrose(10). Kirpalani et al. rapporteerden dat magnetische resonantie beeldvormingselastografie veelbelovend was in termen van het correleren van stijfheidsscores met nierfibrose (11), maar onderzochten geen hulpmiddelen voor machine learning als middel om de voorspellende nauwkeurigheid te optimaliseren.
Computertomografie (CT) maakt beeldvorming met hoge resolutie van nierweefsel mogelijk met minimale blootstelling aan straling van de patiënt (7). Machine learning-technologie in combinaEen combinatie met CT-beeldvorming is een veelbelovende weg voor niet-onderzoekersinvasieve beoordeling van de nierFibrosis, in plaats van de huidigehistologische zorgstandaard. Convolutioneel diep lerenNeurale netwerken (CNN) zijn een nieuwe vorm van machinaal lerening, die relevante patronen uit de zijne kan isolerentologie, beeldvorming of andere klinische gegevens die nuttig zijn voor ziekten
karakterisering (12,13). CNN-technologie voor diagnostiek is in uiteenlopende omgevingen onderzocht, variërend van intracraniale bloedingen en kanker tot longontsteking enblindedarmontsteking (14–17).
Het doel van de Artificial Intelligence in Renal Scarring (AIRS)-studie is het ontwikkelen van CNN-instrumenten om nierfibrose te kwantificeren als een computerondersteund diagnostisch alternatief voor nierbiopsie. Twee CNN-algoritmen (classifiers op slice-niveau en voxel-niveau) werden getraind om CT-beeldvorming van natieve en getransplanteerde nieren te analyseren om de mate van fibrose te classificeren, op basis van ground-truth fibrose-scores van nierbiopten bij dezelfde patiënten. In deze pilotanalyse hebben we ons gericht op het afbakenen van milde/matige versus ernstige (50% versus $50%) fibrose als een klinisch relevante dichotomie die nuttig kan zijn voor een nefroloog die een nierbiopsie voor zijn patiënt overweegt. We laten zien dat de CNN-algoritmen met een hoge mate van nauwkeurigheid onderscheid kunnen maken tussen ernstige en milde/matige nierfibrose
Materialen en methodes
Patiëntendatabase Dit was een retrospectieve analyse van nierbiopten uitgevoerd aan het Irvine Medical Center van de Universiteit van Californië tussen 2014 en 2019. We identificeerden patiënten met een CT-scan van de buik ter waarde van $ 1, voltooid binnen 6 maanden na de nierbiopsie. Na de eerste screening van het medische dossiersysteem werden 42 patiënten die beeldvorming ondergingen uitgesloten om de volgende redenen: CT-scan uitgevoerd buiten de inclusieperiode (0,6 maanden vanaf de biopsiedatum, n53); abdominale magnetische resonantiebeeldvorming maar geen CT gevonden in het systeem (n56); patiënten die per ongeluk het annotatieproces hebben overgeslagen (n52); inheemse nieren niet gesegmenteerd bij een patiënt die een transplantatie had ondergaan (n51); scan van lage kwaliteit met hardwareartefact (n51); en externe beeldvormingsonderzoeken die niet zijn opgeslagen in de langetermijnbeeldvormingsarchieven (n529). De resterende 152 CT-scans van 92 patiënten werden gedownload en het gereconstrueerde volume van het axiale zachte weefsel werd geëxtraheerd voor verdere analyse. Het merendeel van de CT-scans (79%) is uitgevoerd zonder intraveneus contrastmiddel; Er zijn 129 scans uitgevoerd op een Philips-scanner, 22 op een Siemens-scanner en één op een GE Medical Systems-scanner.
Een patholoog (JEZ) beoordeelde een willekeurige selectie van patiënten om te bevestigen dat de mate van fibrose nauwkeurig was gedocumenteerd in nierbiopsierapporten. Bij patiënten die het niet met elkaar eens waren, beoordeelde een tweede patholoog de dia's om de grondwaarheid vast te stellen (zie Dankbetuiging). De feitelijke mate van nierfibrose uit biopsierapporten werd behandeld als een binaire uitkomst: mild/matig versus ernstig (interstitiële fibrose en tubulaire atrofie, 50% versus $50%). Inheemse nieren op CT-scans van getransplanteerde patiënten werden automatisch gescoord als ernstige fibrose. Demografische gegevens en comorbide aandoeningen werden verzameld in een REDCap-database en er werd toegang verkregen tot CT-beelden zoals hieronder beschreven. Alle onderzoeksprocedures zijn goedgekeurd door de Irvine Institutional Review Board van de University of California.
Annotatie
De CT-scans werden vanuit het Picture Archiving and Communication System van ons ziekenhuis overgebracht naar een beveiligde interne database. Er werd gebruik gemaakt van een op maat gemaakt eigen webgebaseerd annotatiehulpmiddel om driedimensionale binaire maskers te creëren die overeenkomen met de oorspronkelijke rechter- en linkernieren en eventuele niertransplantaties, indien aanwezig. De annotatietool is geïmplementeerd als een eenvoudig penseelhulpprogramma zonder enige drempel- of geavanceerde contourfunctionaliteit. Twee studentonderzoekers (HRT, KAPR) fungeerden als de belangrijkste annotators, en een senior radioloog (PDC) beoordeelde vervolgens elke patiënt en verfijnde waar nodig de annotaties van het interessegebied.
Voorbewerking van afbeeldingen
Met behulp van de geannoteerde niervolumemaskers als sjabloon werd elke nier bijgesneden en opnieuw bemonsterd tot een isotroop 96 3 96396 voxelvolume. Deze resampling-operaDit was nodig om ervoor te zorgen dat alle modelinvoer dezelfde matrixgrootte had en om tegemoet te komen aan de beperkingen van het geheugen van de grafische verwerkingseenheid. Gezien de volumes wareneerst bijgesneden naar de rechter en linker nieren, en dat de nieren slechts een klein deel van het oorspronkelijke CT-volume uitmaken, waren de uiteindelijke opnieuw bemonsterde voxelgroottes vergelijkbaar in resolutieoplossing voor de oorspronkelijke gegevens. Elk bijgesneden volume werd vervolgens genormaliseerd door alle voxelwaarden af te knippen tot een bereik van 2150 tot 250 Hounsfield-eenheden en geschaald met een factor 1:50. ElkEén onderzoek in deze dataset kan maximaal drie afzonderlijke bijgesneden nieren bevatten die worden gebruikt voor algoritmetraining: (natief) links, (natief) rechts en transplantatie. Voor ieder individueel kindVoor de training zijn in totaal 96 tweedimensionale (2D) afbeeldingen (met maat 96396) gebruikt.
CNN-aanpak
Twee verschillende op maat gemaakte 2D CNN-netwerken werden getest en vergeleken om ernstige van milde tot matige nierfibrose te onderscheiden. Het eerste algoritme is een standaard globaalslice-voor-slice CNN-classificator, ontworpen om een van de drie elkaar uitsluitende categorieën voor elk 2D-beeld te voorspellen: geen nier, milde/matige fibrose en ernstige fibrose. DeHet tweede algoritme is een CNN-classificator op pixelniveau, geïmplementeerd via een volledig convolutionele U-Net-architectuur om gelijktijdige segmentatie en classificatie uit te voeren. In
Bij beide modellen negeert de uiteindelijke classificatie segmenten of voxels zonder nieren, en wordt een meerderheidsregel geaggregeerd op basis van de resterende voorspellingen. Beide algoritmen zijn geïmplementeerdgebruikmakend van de allernieuwste squeeze-and-excitation-netwerkarchitectuur, het best presterende model van de ImageNet Large Scale Visual Recognition Challenge in 2017 (18).De squeeze-and-excitation-netwerkbenadering stelt netwerken in staat om kanaalsgewijze kenmerkreacties adaptief te herijken op basis van verschillende modelinvoer door te leren
onderlinge afhankelijkheden tussen kanalen te onderzoeken (Figuur 1).
Figuur 1.|Voorspellings-heatmaps gegenereerd door het deep learning-algoritme dat gebieden van vermoedelijke "ernstige" fibrose in de nier identificeert. Van links naar rechts worden nieren variërend van normale tot ernstige fibrose getoond met progressieve graden van geschat fibrotisch parenchym. De uiteindelijke gemiddelde softmax-genormaliseerde voorspellingen voor de gehele nier worden in de onderste rij weergegeven, variërend van 0.0 tot 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; en 0.8–1.0.
Wereldwijde segment-voor-segment-classificatie
De wereldwijde CNN-classificator is een aangepaste, van VGG afgeleide architectuur, geïmplementeerd met squeeze-excitatiemodules op elke laag. De modelinvoer is een enkel 2D-segment (96396).en de modeluitvoer is een logitvector met drie elementen die een voorspelling van drie klassen vertegenwoordigt. De CNN bestaat uit vier convolutionele blokken, waarbij elk blok wordt gedefinieerd als een 333convolutie, batchnormalisatie en ReLU in totaal drie keer herhaald. Subsampling wordt aan het einde van elk blok uitgevoerd via een convolutie met een stap van twee. Na
vier convolutionele blokken (12 lagen), wordt de uiteindelijke kenmerkkaart afgevlakt en gebruikt als invoer in een enkele, volledig verbonden laag.
Classificator op voxelniveau
De CNN-classificator op voxelniveau is een aangepaste, van U-Net afgeleide architectuur, geïmplementeerd met squeeze-excitatiemodules op elke laag (19). De modelinvoer is een enkele 2D-plak (96396) en de modeluitvoer is een enkel 2D-segmentatiemasker (96396) met een voorspelling van drie klassen op elke voxellocatie. De CNN bestaat uit vier samentrekkende convolutionele blokken, waarbij elk blok wordt gedefinieerd als een 333-convolutie, batchnormalisatie en Leaky ReLU die in totaal drie keer wordt herhaald. Subsampling wordt aan het einde van elk blok uitgevoerd via een convolutie met een stap van twee. Na vier convolutionele blokken (12 lagen) worden de operaties omgekeerd via een identieke netwerkarchitectuur, met de vervanging van versnelde convoluties (sub-sampling) met convolutionele transposities (upsampling).
Implementatie van neurale netwerken
Een softmax-crossentropieverliesfunctie wordt gebruikt om beide modellen te optimaliseren. Optimalisatie werd uitgevoerd met behulp van de Adam-techniek (20) met exponentiële vervalsnelheden, b1 en b2, ingesteldnaar respectievelijk {0}},9 en 0,999. De leersnelheid is ingesteld op 131023. De batchgrootte is ingesteld op acht, met een totaal van 25,000 trainingsiteraties. Xavier-normalisatie wordt gebruikt om te initialiserende gewichten vóór de training (21). Algoritmecode is geschreven in Python 3.6, TensorFlow 2.1.0 bibliotheek en Keras 1.0.8 bibliotheek. Het netwerk is getraind op ons interne cluster van grafische verwerkingseenheden, dat 48 Nvidia GeForce RTX 2080 Ti en 12 GeForce RTX Titans bevat. Gemiddeld trainde de globale classificator 30 minuten per experiment, terwijl de op voxel gebaseerde classificator 2 tot 4 uur per experiment trainde.
Evaluatie
Een vijfvoudige kruisvalidatiestrategie werd gebruikt om het trainingsproces te evalueren. Hoewel maximaal drie verschillende nieren van elke patiënt tijdens de behandeling individueel werden behandeldTijdens het trainingsproces worden alle volumes van één patiënt gestratificeerd in dezelfde kruisvalidatiegroep om gegevenslekken te voorkomen. De dataset werd 80:20 gesplitst en vervolgens getraind op de80%, terwijl de overige 20% werd gebruikt voor validatie. De training werd in totaal vijf keer herhaald met verschillende 80:20-verdelingen totdat de volledige dataset volledig gevalideerd was
Naast experimenten op het gehele datacohort werden aanvullende subcohortanalyses uitgevoerd om te evalueren op mogelijke verstorende variabelen. Er werd stratificatie toegepastgebaseerd op de intraveneuze contraststatus en uitsluiting van atrofische natieve nieren bij patiënten die een transplantatie hebben ondergaan. Om bovendien de generaliseerbaarheid van het model te evalueren, modEllen die uitsluitend zijn getraind met scanners van Philips en GE, zijn uitsluitend gevalideerd met gegevens van scanners van Siemens.
Statistieken
Ons onderzoeksdoel was om onderscheid te maken tussen milde/matige fibrose en ernstige fibrose op CT-beeldvorming van de nieren. In beide benaderingen (global slice-by-slice) werd de meerderheidsregel gebruikten voxel-gebaseerd) om de ernst van te bepalenFibrosis.Om de prestaties tussen de twee benaderingen te evalueren,nauwkeurigheid, gevoeligheid, speciFistad, positief voorspellende waarde(PPV) en negatief voorspellende waarde (NPV) werden berekendbekeken en vergeleken. Het gebied onder de actieve ontvangercurve (AUC) werd ook berekend door de softmax te variërenscoredrempel voor deFiBrosis ClassiFikation en het resultaatcurve getekend voor beide benaderingen om te vergelijken. Beschrijfpositieve statistieken worden gerapporteerd als gemiddeld6SD.
