AbstraktMa'lumot Sun'iy intellektning maqsadiBuyrak chandig'i(AIRS) tadqiqoti invaziv bo'lmagan miqdorni aniqlash uchun mashinani o'rganish vositalarini ishlab chiqishdirbuyrak fibrozitasvirni skanerlashdan. Usullari Biz qorin bo'shlig'ini 6 oy ichida bir yoki bir nechta kompyuter tomografiyasidan o'tkazgan bemorlarning retrospektiv tahlilini o'tkazdik.buyrak biopsiyasi. Yakuniy guruh 92 bemorning 152 kompyuter tomografiyasini o'z ichiga oldi, ularda 300 ta mahalliy buyraklar va 76 tasi tasvirlangan.buyraklarni transplantatsiya qilish. Ikki xil konvolyutsiyaneyron tarmoqlari(bo'lak darajasidagi va voksel darajasidagi klassifikatorlar) og'ir va engil/o'rtacha farqlash uchun sinovdan o'tkazildi.buyrak fibrozi($50% ga nisbatan 50%).Interstitsial fibrozdan quvurli atrofiya ballaribuyrak biopsiyasixabarlar asosli haqiqat sifatida ishlatilgan. Natijalar Mashinani oʻrganishning ikkita modeli oʻxshash ijobiy bashoratli qiymatni ({0}}.886 va 0.935) va aniqlikni (0.831 va 0.879) koʻrsatdi. Xulosa qilib aytadigan bo'lsak, mashinani o'rganish algoritmlari istiqbolli noinvaziv diagnostika vositasidir.buyrak fibrozining miqdorini aniqlashkompyuter tomografiyasidan. Og'ir fibrozli bemorlarda buyrak biopsiyasi va qon ketish xavfining oldini olish nuqtai nazaridan ushbu bashorat vositalarining klinik foydasi istiqbolli klinik sinovlarda tasdiqlanishi kerak.
CISTANCHE BUYRAK BEKORLARI UCHUN QANCHA QANCHA KETADI?
Kirish
Proteinuriya, mikroskopik gematuriya, transplantatsiyani rad etish yoki noaniq buyrak disfunktsiyasini boshqarish uchun gistologik tashxis zarur bo'lganda ultratovush tekshiruvi ostida teri orqali buyrak biopsiyasi standart tibbiy yordam bo'lib qoladi (1,2). Buyrak fibrozi yoki CKD zo'ravonligi darajasi ko'pincha buyrak biopsiyasi vaqtida noma'lum (3). Og'ir (.50%) fibrozni aniqlaydigan buyrak biopsiyasi kasallik tashxisini aniqlab berishi mumkin, ammo klinik boshqaruvni o'zgartirishi dargumon va bemorlarni protsedura bilan bog'liq qon ketish xavfiga qo'yadi (4). Biopsiyadan keyingi asoratlar vaqtinchalik gematuriyadan hayot uchun xavfli qon ketishiga qadar bo'ladi va xavf omillari bilan bog'liq bo'lib, ular qon bosimining ko'tarilishi, qarilik, kamqonlik, trombotsitlar sonining pastligi, buyrak funktsiyasining pasayishi va gemostaz anomaliyalari (5). Yaqinda oʻtkazilgan 118,{17}}64 ta ultratovush tekshiruvi ostidagi buyrak biopsiyalarining meta-tahlilida qon quyish, angiografik aralashuv va oʻlim holatlari mos ravishda 2%, 0.3% va 0.06% boʻlgan (6).
Buyrak biopsiyasining xavf va foydalarini ko'rib chiqishda KBHning og'irligini baholash juda muhim, ammo fibroz darajasini baholash uchun noinvaziv vositalar etarli darajada ishlab chiqilmagan (7). Ultratovush texnikasini o'rgangan tadqiqotlar (jumladan, kesish to'lqinlarining tezligini ko'rish, vaqtinchalik elastografiya, real vaqtda elastografiya, Doppler sonografiya va ultratovush kortikomedulyar shtamm) buyrak gistologiyasida fibroz darajasi bilan nomuvofiq korrelyatsiyani qayd etdi (3,8,9). Bundan tashqari, bu usullar qon bosimi, buyrak og'irligi, tana og'irligi va qo'llaniladigan transduser kuchi kabi tashqi omillarga kuchli bog'liq bo'lib, yuqori ichki va kuzatuvchilar o'zgaruvchanligini hisobga olmaganda (3). Yaqinda o'tkazilgan hisobot o'rtasidagi yaqin bog'liqlikni aniqladibuyrak funktsiyasi (eGFR) bilan ultratovush yordamida aniqlangan buyrak hajmi, lekin baholanmaganbuyrakfibroz(10). Kirpalani va boshqalar. magnit-rezonans tomografiya elastografiyasi buyrak fibrozi bilan qattiqlik ko'rsatkichlarini o'zaro bog'lash nuqtai nazaridan istiqbolli ekanligini xabar qildi (11), lekin bashorat qilish aniqligini optimallashtirish vositasi sifatida mashinani o'rganish vositalarini o'rganmagan.
Kompyuter tomografiyasi (KT) bemorga minimal nurlanish ta'sirida buyrak to'qimasini yuqori aniqlikdagi tasvirga olish imkonini beradi (7). Kombinatsiyada mashinani o'rganish texnologiyasiKompyuter tomografiyasi bo'lmaganlar uchun istiqbolli yo'ldirbuyrakni invaziv baholashfibrosis, oqim o'rnigagistologik parvarish standarti. Konvolyutsion chuqur o'rganishneyron tarmoqlari (CNN) - bu mashinani o'rganishning yangi shakliing, bu tegishli naqshlarni undan ajratib qo'yishi mumkintologiya, tasvirlash yoki kasallik uchun foydali bo'lgan boshqa klinik ma'lumotlar
xarakteristikasi (12,13). Diagnostika uchun CNN texnologiyasi intrakranial qon ketish va saratondan pnevmoniyagacha bo'lgan turli xil sharoitlarda o'rganilgan.appenditsit (14-17).
Buyrak chandig'ida sun'iy intellekt (AIRS) tadqiqotining maqsadi buyrak biopsiyasiga kompyuter yordamida diagnostika alternativasi sifatida buyrak fibrozining miqdorini aniqlash uchun CNN vositalarini ishlab chiqishdir. Ikki CNN algoritmi (bo'lak darajasidagi va voksel darajasidagi klassifikatorlar) xuddi shu bemorlarda buyrak biopsiyalaridan olingan asosli fibroz ko'rsatkichlariga asoslanib, fibroz darajasini tasniflash uchun mahalliy va transplantatsiya qilingan buyraklarning KT tasvirini tahlil qilish uchun o'qitildi. Ushbu pilot tahlilda biz engil/o'rtacha va og'ir (50% va $50%) fibrozni klinik jihatdan ahamiyatli dixotomiya sifatida aniqlashga e'tibor qaratdik, bu nefrolog uchun o'z bemoriga buyrak biopsiyasini ko'rib chiqish uchun foydali bo'lishi mumkin. Biz CNN algoritmlari buyrak fibrozini engil/o'rtacha darajadan yuqori aniqlik bilan ajrata olishini ko'rsatamiz.
Materiallar va usullar
Bemor maʼlumotlar bazasi Bu Kaliforniya universiteti Irvine tibbiyot markazida 2014 va 2019 yillar oraligʻida oʻtkazilgan buyrak biopsiyalarining retrospektiv tahlili edi. Biz buyrak biopsiyasidan soʻng 6 oy ichida yakunlangan 1 dollarlik qorin boʻshligʻi kompyuter tomografiyasi oʻtkazilgan bemorlarni aniqladik. Tibbiy yozuvlar tizimining dastlabki skriningidan so'ng, tasvirlashdan o'tgan 42 bemor quyidagi sabablarga ko'ra chiqarib tashlandi: qo'shilish davridan tashqari o'tkazilgan KT tekshiruvi (biopsiya qilingan kundan boshlab .6 oy, n53); qorin bo'shlig'ining magnit-rezonans tomografiyasi, lekin tizimda KT topilmadi (n56); bemorlar annotatsiya jarayonida beixtiyor o'tkazib yuborilgan (n52); transplantatsiya qilingan bemorda segmentlanmagan mahalliy buyraklar (n51); apparat artefakt bilan past sifatli skanerlash (n51); va uzoq muddatli tasvirlash arxivlarida saqlanmagan tashqi tasviriy tadqiqotlar (n529). 92 bemordan qolgan 152 kompyuter tomografiyasi yuklab olindi va keyingi tahlil qilish uchun yumshoq to'qimalarning eksenel rekonstruksiya qilingan hajmi ajratildi. Kompyuter tomografiyasining aksariyati (79%) tomir ichiga kontrastsiz o'tkazildi; Philips skanerida 129 ta, Siemens skanerida 22 ta va GE Medical Systems skanerida bitta skanerdan o‘tkazildi.
Patolog (JEZ) buyrak biopsiyasi hisobotlarida fibroz darajasi aniq hujjatlashtirilganligini tasdiqlash uchun bemorlarning tasodifiy tanlovini ko'rib chiqdi. Muvofiq bo'lmagan bemorlarda ikkinchi patolog asosiy haqiqatni aniqlash uchun slaydlarni ko'rib chiqdi (qarang: Minnatdorchilik). Biopsiya hisobotlarida buyrak fibrozining asl darajasi ikkilik natija sifatida ko'rib chiqildi: engil/o'rtacha va og'ir (interstitsial fibroz va quvur atrofiyasi, 50% ga qarshi $50). Transplantatsiya qilingan bemorlarning kompyuter tomografiyasida mahalliy buyraklar avtomatik ravishda og'ir fibroz deb topildi. Demografiya va komorbid holatlar REDCap ma'lumotlar bazasida tuzilgan va KT tasvirlariga quyida tavsiflanganidek kirish mumkin edi. Barcha tadqiqot jarayonlari Kaliforniya universiteti Irvine institutsional ko'rib chiqish kengashi tomonidan tasdiqlangan.
Izoh
Kompyuter tomografiyasi shifoxonamizning Rasmlarni arxivlash va aloqa tizimidan xavfsiz ichki ma'lumotlar bazasiga o'tkazildi. Maxsus mulkiy veb-asoslangan izohlash vositasi mahalliy o'ng va chap buyraklarga va agar mavjud bo'lsa, har qanday buyrak transplantatsiyasiga mos keladigan uch o'lchovli ikkilik niqoblarni yaratish uchun ishlatilgan. Izoh vositasi hech qanday chegara yoki kengaytirilgan kontur funksiyasisiz oddiy cho'tka yordam dasturi sifatida amalga oshirildi. Ikki talaba tadqiqotchisi (HRT, KAPR) asosiy izohlovchilar bo'lib xizmat qildi va katta radiolog (PDC) keyinchalik har bir bemorni ko'rib chiqdi va kerak bo'lganda qiziqish zonasini aniqladi.
Tasvirga oldindan ishlov berish
Shablon sifatida izohlangan buyrak hajmi niqoblaridan foydalanib, har bir buyrak kesildi va izotrop 96 3 96396 voksel hajmiga qayta namunalandi. Bu qayta namunali operaBarcha model kirishlari bir xil matritsa o'lchamiga ega bo'lishini ta'minlash va grafik ishlov berish bloki xotirasining cheklovlariga mos kelishi kerak edi. Jildlarni hisobga olgan holdabirinchi marta o'ng va chap buyraklarga kesilgan va buyraklar KTning dastlabki hajmining faqat kichik qismini tashkil etganligi sababli, oxirgi qayta namunalangan voksel o'lchamlari o'xshash bo'lgan.asl ma'lumotlarga o'zgartirish. Keyin har bir kesilgan hajm barcha voksel qiymatlarini 2150 dan 250 gacha Hounsfild birliklari oralig'iga kesish orqali normallashtirildi va 1:50 koeffitsienti bilan o'lchaydi. Har qandayUshbu ma'lumotlar to'plamidagi bitta imtihon algoritmni o'rgatish uchun ishlatiladigan uchta alohida kesilgan buyrakni o'z ichiga olishi mumkin: (mahalliy) chap, (mahalliy) o'ng va transplant. Har qanday individual bola uchunney, oʻqitish uchun jami 96 ta ikki oʻlchovli (2D) tasvir (96396 oʻlchamdagi) ishlatilgan.
CNN yondashuvi
Og'irni engil/o'rtacha buyrak fibrozini farqlash uchun ikki xil maxsus 2D CNN tarmoqlari sinovdan o'tkazildi va solishtirildi. Birinchi algoritm standart global hisoblanadiCNN klassifikatori har bir 2D tasvir uchun bir-birini istisno qiluvchi uchta toifadan birini bashorat qilish uchun mo'ljallangan: buyraksiz, engil/o'rtacha fibroz va og'ir fibroz. Theikkinchi algoritm bir vaqtning o'zida segmentatsiya va tasniflashni amalga oshirish uchun to'liq konvolyutsion U-Net arxitekturasi orqali amalga oshirilgan piksel darajasidagi CNN klassifikatoridir. In
ikkala modelda ham yakuniy tasnif buyraksiz bo'laklar yoki voksellarni e'tiborsiz qoldiradi va qolgan bashoratlarda ko'pchilik qoidasi yig'iladi. Har ikkala algoritm ham amalga oshiriladi2017-yilda ImageNet Large Scale Visual Recognition Challenge ning eng yuqori samarali modeli bo‘lgan eng zamonaviy siqish va qo‘zg‘atuvchi tarmoq arxitekturasidan foydalangan holda (18).Siqish va qo'zg'atuvchi tarmoq yondashuvi tarmoqlarga o'rganish orqali turli model kiritishlari asosida kanal bo'yicha xususiyat javoblarini moslashtirilgan tarzda qayta kalibrlash imkonini beradi.
kanallar orasidagi o'zaro bog'liqlikni aniqlash (1-rasm).
1-rasm.|Buyrak ichidagi "og'ir" fibrozga shubha qilingan hududlarni aniqlaydigan chuqur o'rganish algoritmi tomonidan yaratilgan bashoratli issiqlik xaritalari. Chapdan o'ngga normaldan og'ir fibrozgacha bo'lgan buyraklar fibrotik parenximaning progressiv darajalari bilan ko'rsatilgan. Butun buyrak uchun yakuniy o'rtacha softmax normallashtirilgan bashoratlari pastki qatorda ko'rsatilgan, 0.0 dan 0.2 gacha; 0.2–0.4;{0}}.4–0.6; 0.6–0.8; va 0.8–1.0.
Slice-by-Slice Global tasniflagichi
Global CNN tasniflagichi har bir qatlamda siqish qo'zg'alish modullari bilan amalga oshirilgan VGG-dan olingan maxsus arxitekturadir. Model kiritish bitta 2D (96396) tilimdirmodel chiqishi esa uch sinfli bashoratni ifodalovchi uch elementli logit vektoridir. CNN to'rtta konvolyutsion blokdan iborat bo'lib, bu erda har bir blok 333 deb belgilanadikonvolyutsiya, partiyani normallashtirish va ReLU jami uch marta takrorlanadi. Quyi namuna olish har bir blokning oxirida ikki qadam bilan konvolyutsiya orqali amalga oshiriladi. Keyin
to'rtta konvolyutsion bloklar (12 qatlam), yakuniy xususiyat xaritasi tekislanadi va bitta to'liq bog'langan qatlamga kirish sifatida ishlatiladi.
Voksel darajasidagi klassifikator
Voksel darajasidagi CNN klassifikatori har bir qatlamda siqish qo'zg'alish modullari bilan amalga oshiriladigan maxsus U-Netderived arxitekturasidir (19). Model kiritish bitta 2D (96396) bo‘lak va model chiqishi har bir voksel joyida uch toifali bashoratga ega bo‘lgan bitta 2D (96396) segmentatsiya niqobidir. CNN to'rtta konvolyutsion blokdan iborat bo'lib, bu erda har bir blok 333 konvolyutsiya, partiyani normallashtirish va Leaky ReLU jami uch marta takrorlanadi. Quyi namuna olish har bir blokning oxirida ikki qadam bilan konvolyutsiya orqali amalga oshiriladi. To'rtta konvolyutsion blokdan (12 qatlam) so'ng, operatsiyalar bir xil tarmoq arxitekturasi orqali teskari o'zgartiriladi, bunda qattiq konvolyutsiyalar almashtiriladi (sub-namuna olish) konvolyutsion transpozitsiyalar bilan (yuqori namuna olish).
Neyron tarmoqni amalga oshirish
Softmax krossentropiyani yo'qotish funktsiyasi ikkala modelni optimallashtirish uchun ishlatiladi. Optimallashtirish Odam texnikasi (20) yordamida eksponensial yemirilish tezligi b1 va b2 bilan amalga oshirildi.mos ravishda {0}},9 va 0,999 gacha. Oʻrganish tezligi 131023. Partiya hajmi sakkizta qilib oʻrnatildi, jami 25000 taʼlim iteratsiyasi. Xavier normalizatsiyasi ishga tushirish uchun ishlatiladimashg'ulotdan oldingi og'irliklar (21). Algoritm kodi Python 3.6, TensorFlow 2.1.0 kutubxonasida va Keras 1.0.8 kutubxonasida yozilgan. Tarmoq 48 Nvidia GeForce RTX 2080 Ti va 12 GeForce RTX Titanlarini o'z ichiga olgan ichki grafik ishlov berish blokimiz klasterida o'qitiladi. O'rtacha, global tasniflagich har bir tajriba uchun 30 daqiqa mashq qildi, vokselga asoslangan tasniflagich esa har bir tajriba uchun 2-4 soat davomida mashq qildi.
Baholash
O'quv jarayonini baholash uchun besh marta o'zaro tekshirish strategiyasidan foydalanildi. Garchi har bir bemordan uchtagacha turli buyraklar alohida davolangan bo'lsa-data'lim jarayonida, ma'lumotlar sizib chiqishining oldini olish uchun bitta bemorning barcha hajmlari bir xil o'zaro tekshirish guruhiga bo'linadi. Ma'lumotlar to'plami 80:20 bo'lingan va keyin o'qitilgan80%, qolgan 20% esa tekshirish uchun ishlatilgan. Trening barcha ma'lumotlar to'plami to'liq tasdiqlanmaguncha turli xil 80:20 bo'linishlar bilan jami besh marta takrorlandi.
Butun ma'lumotlar kohorti bo'yicha tajribalarga qo'shimcha ravishda, potentsial chalkash o'zgaruvchilarni baholash uchun qo'shimcha subkohort tahlillari o'tkazildi. Stratifikatsiya qo'llanildivena ichiga kontrastli holat va transplantatsiya qilingan bemorlarda atrofik mahalliy buyraklarni istisno qilish asosida. Bundan tashqari, modelning umumlashtirilishini baholash uchun modFaqat Flibs va GE skanerlarida oʻqitilgan qurilmalar faqat Siemens skanerlari maʼlumotlari bilan tasdiqlangan.
Statistika
Bizning tadqiqot maqsadimiz buyrak KT ko'rishda engil / o'rtacha fibrozni og'ir fibrozdan ajratish edi. Ko'pchilik qoidasi ikkala yondashuvda ham qo'llanilgan (global tilim-bo'lakva vokselga asoslangan) ning jiddiyligini aniqlash uchunfibroz.Ikki yondashuv o'rtasidagi samaradorlikni baholash uchun,aniqlik, sezgirlik, o'ziga xoslikfishahar, ijobiy prognoz qiymati(PPV) va salbiy bashoratli qiymat (NPV) hisoblangankechikish va solishtirish. Qabul qilgichning ishlayotgan qismiegri chiziq (AUC) ham softmaxni o'zgartirish orqali hisoblanganuchun ball chegarasifibrosis klassifikation va natijasolishtirish uchun ikkala yondashuv uchun chizilgan egri chiziq. tasvirlab beringo'rtacha statistik ma'lumotlar keltiriladi6SD.
