​Хронічна хвороба нирок (ХХН): чи підходить вам трансплантація однієї або двох нирок?

для отримання додаткової інформації:ali.ma@wecistanche.com

Частина Ⅰ: Нейронна мережа для класифікації клубочків на основі гістологічних зображень біопсії нирки

Джакомо Донато Каскараноль, Франческо Саверіо Дебітонтол та ін.

Фон

Хронічна хвороба нирокХХН – це патологічний стан, що характеризується функціональною дегенерацієюнирка. ХХН (Хронічна хвороба нирок) є 12-ю причиною смерті з до 1,1 мільйона випадків у всьому світі; підвищення смертності, пов'язаної з ХХН (Хронічна хвороба нирок)останніх років робить його однією з найшвидше зростаючих причин смерті поряд із діабетом і деменцією [1, 2].ниркатрансплантаціяє найкращою замісною нирковою терапією, яка виявилася більш ефективною, ніж лікування діалізом, з точки зору тривалого ризику смертності та, водночас, має менший вплив на систему громадського здоров’я [3, 4].

Клацніть на Cistanche NZ для хронічної хвороби нирок

Liyanage та ін. За оцінками, у 2010 році 2,6 мільйона людей із 4,9 мільйонів пацієнтів отримували замісну ниркову терапію в усьому світі, що свідчить про те, що щонайменше 2,3 мільйона людей могли померти передчасно через відсутність відповідної терапії [5].

У зв’язку зі зростаючою необхідністюниркапересадки[6], різні дослідження намагалися розширити критерії прийняттяниркидля трансплантації, які, як правило, виключаються на основі віку донора та інших характеристик, пов’язаних як з якістю, так і з розміраминирки[7,8].

Мур та ін. здійснив порівняння між двоїнниркатрансплантаціявід донорів із розширеними критеріями (ECD) та одиночниминиркатрансплантаціявід одночасних ECD та донорів стандартних критеріїв. Автори оцінили, що використання подвтрансплантація ниркивід маргінальних донорів є життєздатним варіантом і що ниркова функція може бути досягнута за умови, що обидваниркипересаджують в одного реципієнта [9].

Ремуцці та ін. запропонував методику оцінкиниркахворобашляхом оцінки гістологічних біопсій [10]. Критерій оцінки, відомий як шкала Карпінського, враховує еволюцію (у відсотках) патологічного стану чотирьох основних функціональних областей: гломерулосклероз, тубулярна атрофія, інтерстиціальний фіброз і артеріальний склероз. Цей показник коливається від 0 до 12, і чим вище число, тим гіршестан нирок [10-12]. ниркиз балом Карпінського від 0 до 3 і від 4 до 6 вважаються придатними дляодиночні та подвійні пересадки, відповідно.

Лікування захворювань нирок: цистанка і трансплантація нирки

Щоб оцінити шкалу Карпінського, патологоанатоми проводять візуальну оцінку гістопатологічних зображень цілих слайдів (WSI). Цей процес зазвичай займає багато часу, схильний до помилок, а також суб’єктивний.

Щоб подолати ці недоліки, розробка систем автоматизованої діагностики (CAD) на основі гістопатологічного аналізу зображень тканини для підтримки обчислення оцінки є цінним прогресом.

Останні літературні роботи показують застосування обробки зображень і методів машинного навчання для аналізуниркагістопатологічнийWSI для виявлення та класифікації клубочків. Підходи до обробки зображень спрямовані на виділення значущих ознак, наприклад, на основі аналізу форми та текстури; потім алгоритми машинного навчання, такі як дрібні або глибокі штучні нейронні мережі (ANN), приймають рішення на основі витягнутих функцій.

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 відсотків) як результати.

Провести комплексне виявлення клубочків на знімках цілихниркасекції, Като та ін. запропонував новий дескриптор під назвою Segmental HOG (гістограма орієнтованих градієнтів)[14]. Автори заявили про надійність рішення та якісні результати сегментації; крім того, автори порівняли сегментний HOG з прямокутним HOG, показавши, що перший підхід досяг значних покращень у продуктивності виявлення.

Натомість деякі автори зосередилися на аналізі форми та кольору клубочків. Kotyk et al. запропонували нове рішення для боротьби з великою варіацією інтенсивності та невідповідністю форми та розміру клубочків у ниркових тільцях. Запропонований підхід, заснований на техніці аналізатора частинок, дозволив виявити ниркове тільце та наступне вимірювання діаметра клубочка та ширини Боуменового простору. Автори оцінюють, що підхід був стійким до деформацій клубочків навіть із гіпертрофією клубочків [15]. Аналіз впливу значної різноманітності кольору та форми тканини на цілі зображення слайдів був виконаний Zhao та ін. [16]. Автори зосередилися на виділенні ширини капсули Боумена, щоб розробити автоматизований каркас для екстракції клубочка з мікрофотографії всієї ниркової тканини. Система була протестована на тканинах нирок приматів, відмінних від людини, за допомогою фарбування гематоксиліном і еозином (HE).

Букови та ін. запропонував інший робочий процес аналізу. У [17] автори розробили згорткову нейронну мережу для виявлення клубочків у забарвлених трихромом зрізах нирок. Процедуру випробували на щурахниркиа опубліковані результати щодо класифікації здорових і пошкоджених клубочків показують середню точність і запам’ятовування 96,94% і 96,79% відповідно.

У попередній роботі Bevilacqua та ін. система CAD для сегментації та розрізнення кровоносних судин і канальців з біопсії вниркатканина була розроблена та протестована [18]. Гістологічні зображення з фарбуванням Periodic Acid-Schiff (PAS) були використані для сегментації регіонів інтересу (ROI) та виділення характеристик Хараліка, що дозволило провести подальшу процедуру класифікації з використанням алгоритмів на основі ШНМ. Результати випробувань показали, що контрольований підхід ШНМ є послідовним, дозволяючи отримати хороші характеристики класифікації.

Ця робота спрямована на автоматичне оцінюванняниркабіопсії, що стосуються конкретного патологічного стану, який розглядається за шкалою Карпінського: гломерулосклероз, тобто. співвідношення між склерозованими клубочками і загальною кількістю клубочків. Для цього вирішальне значення має виявлення та розрізнення склеротичних захворювань, що вражають клубочки, від несклеротичних. Як уже повідомлялося в роботах із сучасного рівня техніки, це складне завдання через широкі варіації інтенсивності клубочків і невідповідності у формі та розмірі.

лікування захворювань нирок:одиночні та подвійні пересадкидослідження

Комбінація різних алгоритмів виділення ознак була розроблена та оцінена для розрізнення стану клубочків. Опублікована література показує специфічні та унікальні алгоритми обробки зображень, застосовані до різних типів фарбування та нелюдських WSI. Натомість набір функцій, запропонований у цій роботі, походить із набору двох широко використовуваних, добре відомих сімейств алгоритмів вилучення функцій загального призначення, тобто морфологічних і текстурних особливостей. Ці сімейства ознак також включені в деякі алгоритми, запропоновані в літературі, але в цій роботі вони були витягнуті з WSI людини за допомогою фарбування PAS. Крім того, конвеєр класифікації, детально описаний у методах, також включає процедури для зменшення функцій, що дозволяє проектувати неглибоку штучну нейронну мережу. Загальний робочий процес, запропонований у цій роботі, та інтеграція з процедурою, представленою в [18], дозволить нам створити повну систему CAD для аналізу гістопатологічних WSI.

Результати

Повідомляється про результати, отримані шляхом оцінки запропонованого робочого процесу класифікації на тестовому наборі. Зокрема, результати стосуються ефективності, отриманої з урахуванням скороченого набору ознак, класифікованих за допомогою перехресно перевіреної неглибокої ШНМ. Як зазначено в таблиці 1, тестовий набір складався з 579 зображень клубочків: 87 склеротичних, 492 несклеротичних.

Щоб оцінити стабільність робочого процесу, було виконано 10 прогонів усього процесу. Досягнуті результати підсумовані в таблиці 2. Зокрема, результати представлені в термінах середнього значення та стандартного відхилення кількох показників, тобто точності (рівняння 1), точності (рівняння 2), запам’ятовування (рівняння 3) і Метьюза. Коефіцієнт кореляції (Рівняння 4) [19], оцінений згідно з матрицею плутанини, наведеною в Таблиці 3.

Серед ітерацій найкращі результати наведено в таблиці 4, тоді як відповідна матриця плутанини наведена в таблиці 5.

Реалізований робочий процес дозволяє класифікувати склеротичні та несклеротичні клубочки з хорошими характеристиками (середній MCC=0.95 та середня точність=0.99) і низькою варіабельністю (MCC std=0.01 і стандартна точність<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="">

Таблиця 1 Конфігурація набору даних	Таблиця 2 Порівняння показників 10 ініціалізацій мережі

Таблиця 3. Матриця помилок для обчислення показників	Таблиця 4 Порівняння показників 10 ініціалізацій мережі

Таблиця 5. Матриця плутанини найкращої моделі

Обговорення

Оцінюючи запропонований підхід на незалежному тестовому наборі, робочий процес класифікації досяг середніх MCC і точності {{0}}.95 і 0,99, відповідно, і низької варіативності протягом 10 незалежних ітерацій (MCC std{{5} }.01 і стандартна точність<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,="">

Під час реалізації та оцінки звітного робочого процесу ми зіткнулися та протестували загальну проблему дисбалансу даних, яку було вирішено за допомогою використання MCC як коефіцієнта порівняння продуктивності та кривої ROC для вибору оптимального порогу класифікації. Повідомлені результати свідчать про те, що запропоноване налаштування робочого процесу є надійним для досліджуваної області, підтримуючи клінічну практику розрізнення двох класів клубочків.

Аналізуючи неправильно класифіковані клубочки, ми також виявили, що вхідні зображення, які відповідають неправильно класифікованим зразкам, показали артефакти фарбування або часткові частини (переважно по краях); загальні приклади наведено на рис. 1. Однак у клінічній практиці патологи відкидають такі зображення, які також можуть бути виключені із запропонованого робочого процесу, розробляючи стратегії для попереднього виявлення зображень, на які впливають такі проблеми.

Лікування захворювань нирок: трансплантація однієї та двох нирок

НАТИСНІТЬ ТУТ, ЩОБ ЧАСТИНА Ⅱ