Vurdering av kunstig intelligens av nyrearrdannelse (AIRS-studie) Ⅱ

Resultater

Begge modellene ble trent og validert på totalt 152 CT-skanninger fra 92 pasienter, som inneholdt 148 venstre nyrer, 152 høyre nyrer og 73transplantere nyrer. Pasientkarakteristikker er oppsummert i tabell 1; 55 pasienter hadde minimal eller mild (,25 %) fibrose, 14 pasienter ble klassifisert som moderat (25 %–50 %) fibrose, og 23 pasienter hadde alvorlig (0,50 %) fibrose. Gjennomsnittlig eGFR var henholdsvis 37626 versus 25618 mot 16613 ml/min per 1,73 m2 i gruppene med mild versus moderat versus alvorlig fibrose. Pasienter med mild/moderat fibrose ble gruppert for analyse mot pasienter med alvorlig fibrose på nyre-CT-bilder;gjennomsnittlig nyrevolumvar 217 cm3 (område 48–668) mot 76 cm3 (område 3–347) i gruppene med mild/moderat versus alvorlig (50 % versus $50 %). Det var en pasientbiopsi som ga uoverensstemmende fibroseresultater (sammenligning av medisinsk kartrapport med gjeldende patologgjennomgang), og grunnsannheten ble bestemt via blindet gjennomgang av en annen patolog (se anerkjennelser)

cistanche treat kidney disease

HVOR LANG TAR DET FOR CISTANCHE Å JOBBE FOR NYREPASIENTER?

Ved kryssfold-validering ga skive-for-stykke-modellen en total AUC på 0.917, mens den voxel-baserte tilnærmingen ga en total AUC på 0.922 (figur 2). Modellnøyaktigheten, sensitiviteten, spesifisiteten, PPV og NPV ved ulike terskler evaluert på tvers av begge CNN-algoritmene er oppsummert i tabell 2. Ved en prediksjonsterskel på {{10}}.5, snitt-by -slice-tilnærming ga oss en nøyaktighet på 0.831, sensitivitet på 0.817, spesifisitet på {{20}}.852, PPV på 0.886 , og NPV på 0.767. Ved samme prediksjonsterskel på 0.5, ga den voxelbaserte tilnærmingen lignende resultater med en nøyaktighet på 0.879, sensitivitet på 0.853, spesifisitet på {{35} },916, PPV på 0,935 og NPV på 0,816. Den voxel-baserte tilnærmingen sammenlignet med jordsannhetspatologirapporter gir 13 falske positive (mild/moderat fibrose klassifisert som alvorlig), 32 falske negative (alvorlig fibrose ikke oppdaget; 15 % feilfrekvens), 187 sanne positive og 141 sanne negative .

Resultater fra stratifiserte subkohortanalyser er vist i tabell 3. Samlet ytelse på tvers av begge modellene var lik etter ekskludering av postkontrasteksamener og/ellerutelukkelse av atrofiske opprinnelige nyrerhos pasienter som har gjennomgått en transplantasjon. En mindre reduksjon i ytelse ({{0}}.86 nøyaktighet) ble notert spesielt for den voxel-baserte CNN-strategien etter fjerning av postkontrast-eksamener; alle andre permutasjoner viste en nøyaktighet på $0,90. I tillegg ble den generelle modellens generaliserbarhet bevart etter stratifisering av treningssettet (Philips, GE) og valideringssettet (Siemens) eksklusivt av produsenten. En sammenligning av våre prediksjonsverktøy og andre CNN-studier somevaluert nyresykdomparametere er summarisert i tabell 4.

Echinacoside of cistanche can improve kidney function

Diskusjon

Vi startet AIRS-studien for å utvikle maskinlæringsverktøy tilkvantifisere nyrefibrosesom et ikke-invasivt diagnostisk alternativ til nyrebiopsi. I en kohort på 92 pasienter analyserte vi 300innfødte nyrebilderog 73 transplanterte nyrer fra 152 abdominale CT-skanninger. Vi fant at de globale skive-for-skive og voxel-baserte CNN-modellene var like i å skille alvorlig fra mild/moderat nyrefibrose, med AUC {{0}}.917 mot 0.922, og PPV 0.886 mot 0.935, sammenlignet med grunnsannheten franyrebiopsirapporter. Begge CNN-modellene presterte konsekvent når de ble testet mot forskjellige CT-skannere og når atrofiske opprinnelige nyrer hos pasienter som har gjennomgått en transplantasjon ble ekskludert; den globale skive-for-skive-modellen hadde litt bedre prediksjonsnøyaktighet når bare ikke-kontrast CT-skanninger ble testet.

Diagnostisk nyrebiopsi forblir standarden for behandling når den histologiske diagnosen er nødvendig for å veilede behandlingen av proteinuri, transplantasjonsavstøtning eller uforklarlig nyredysfunksjon (1,2). Imidlertid kan beslutningen om å forfølge en naturlig nyrebiopsi være kompleks, spesielt hvis pasienten er på antikoagulasjonsbehandling eller har anemi eller trombocytopenisom kan øke risikoen for store komplikasjoner,inkludert blodtransfusjoner, angiografisk intervensjon,og død (samlet hendelsestall 2 %, 0,3 % og 0,06 %,henholdsvis) (6). Ikke-invasive verktøy for å evaluere gradenav nyrefibroser mangler (7), og har til dags dato ikke utiliserte maskinlæringsverktøy for å minimere subjektivitet ogpartiskhet. Disse verktøyene kan vise seg nyttige når de vurderes isammenheng med andre markører for kronisk nedsatt nyrefunksjon(e.g., forhøyet parathyreoideahormon og fosfat). I partikulær, spådommen om alvorlig (.50%) fibrose kan rettferdiggjøreunngåelse av nyrebiopsi fordi pasienten ikke villevære en kandidat for immunmodulerende terapi (i.e., denbiopsi vil ikke endre klinisk behandling). Denne informating er verdifullt, for eksempel når pasienter er tilstedemed avansert nyresvikt og ukjent medisinsk hanstory. Ytterligere passeringer med biopsinålen for å optimalisere

prøvetakingen av glomeruli for histologi fra enfibrotisk nyrekan føre til økt risiko for blødning (22). Hvis en alvorlig grad av fibrose er spådd på CNN-analyse av en CT-skanning, kan det medisinske teamet bestemme seg for å begrense biopsiprøvetaking eller unngå nyrebiopsi helt, etter delt beslutningstaking med pasienten. Det er verdt å merke seg at en diagnostisk naturlig nyrebiopsi fortsatt kan være indisert i et tilsynelatende sluttstadium av nyre per nefrolog for å veilede evalueringen av transplantasjonskandidatur eller for å bestemme etiologien til en systemisk sykdom.

Vi la merke til at en prediksjonsterskel på 0.5 var best angående fremtidig anvendelighet i klinisk beslutningstaking, der målet er å identifisere pasienter medavansert nyrefibrose, og dermed unngå invasiv biopsiog dets potensielle blødningskomplikasjoner diskutert ovenfor.Med den voxel-baserte CNN-modellen ville en terskel på 0.5

identifisere 85 % av individer med avansert nyrefibrose med en PPV på 94 % (tabell 2). Å heve terskelen til 0.9 vil forbedre PPV marginalt til 95 %, men vil drastisk redusere sensitiviteten fra 85 % til 72 % (dvs. ville gå glipp av 28 % av individer med alvorlig fibrose).

effect of cistanche improve kidney function (2)

For øyeblikket er den primære begrensningen for den foreslåtte algoritmen kravet om at en manuell region av interesse skal defineres for hver nyre før dyp læringsprediksjon.

Det bør imidlertid bemerkes at selv om tredimensjonale nyrekonturer ble generert som en del av denne studien, krevde prediksjonen for hver ny pasient (dvs. atskilt fra trening) bare en grov avgrensende kube rundt nyrene(e) for å bli definert . Algoritmer for dyp læringsbasert helnyresegmentering er under utvikling, noe som vil lette en helautomatisert ende-til-ende-prosess (23,24). En annen begrensning er at heterogenitet i graden av fibrose over en enkelt nyre kan være en kilde til feil i algoritmens grunnsannhet og validering. I denne studien bestemte vi oss for å prioritere avveiningen med å inkludere mer potensielt støyende data (hele nyrene ble segmentert) i stedet for å bruke en liten mengde rene data; empirisk er denne strategien vanlig i store data dyplæringsoppgaver, og vår observasjon av en algoritmeprediksjon AUC på 0.911 antyder at graden av støy introdusert av denne strategien er beskjeden. Fremtidig forbedring av disse CNN-prediksjonsalgoritmene vil bli utforsket gjennom inkorporering av kliniske laboratorieverdier som er relevante for CKD, som kreatinin, parathyroidhormon og hemoglobin. I påvente av større datasett, kan algoritmeutgangen optimaliseres ytterligere for å inkludere mer ekspansiv kvantitativ binning(grad avfibrose,25%, 25%–50%, 50%–75 %, og.75%). Til slutt, gitt gjeldende algoritme er trent og validdatert på data fra en enkelt institusjon, videre arbeid ernødvendig for å evaluere generaliserbarhet utover det studertepasientkohort.

Så vidt vi vet, er AIRS-studien den første som bruker CNN-modeller for å forutsi graden av nyrefibrose fra bildeskanninger. Resultatene er lovende og gir engrunnlag for å teste disse CNN-verktøyene i potensielle forsøk, for åvalidere deres nytte i klinisk beslutningstaking når det er detuklart om en pasient's nyresykdom er akutt versus

kronisk.

kidney function

Avsløringer

J. Zuckerman rapporterer å ha konsulentavtaler med Leica Biosystems; rapporter mottar honorar fra ApotheCom; og rapporterer å være en vitenskapelig rådgiver eller medlem av Patologi skisserercom. P. Chang rapporterer å ha konsulentavtaler med, ogmottar forskningsmidler fra Canon Medical; og rapporter having en eierandel i Avicenna.ai. WL Lau rapporterer å hakonsulentavtaler med Ardelyx og Fresenius; rapporterermottar forskningsmidler fra American Heart Association,Hub Therapeutics, og National Institutes of Health; og

rapporterer å motta honoraria fra Roche Australian Nephrology Preceptorship. Alle gjenværende forfattere har ingenting å avsløre.

Finansiering

Dette prosjektet ble finansiert av en University of California, Irvine Department of Medicine Chair Research Award 2019–2021.

Anerkjennelser Forfatterne takker Dr. Anthony Sisk (Department of Pathology and Laboratory Medicine, David Geffen School of Medicine ved University of California Los Angeles) for den blinde gjennomgangen avuenige biopsipasienter for å fastslå sannheten.

Forfatterbidrag

WL Lau konseptualiserte studien; C. Chantaduly, K. Perez Reyes, H. Troutt og J. Zuckerman var ansvarlige for datakureringen; P. Chang, C. Chantaduly og J. Zuckerman var ansvarligefor den formelle analysen; WL Lau var ansvarlig forfinansiering anskaffelse; C. Chantaduly og K. Perez Reyes varansvarlig for etterforskningen; P. Chang, C. Chantaduly og J.Zuckerman var ansvarlig for metodikken; WL Lau ogH. Troutt var ansvarlig for prosjektadministrasjonen; P. Changvar ansvarlig for ressursene og programvaren; P. Chang og WLLau ga tilsyn; C. Chantaduly og H. Troutt skrevoriginal utkast; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,og H. Troutt gjennomgikk og redigerte manuskriptet.

Referanser

1. Luciano RL, Moeckel GW: Update on the native kidney biopsy: Core curriculum 2019. Am J Kidney Dis 73: 404–415, 2019 https://doi.org/10.1053/j.ajkd.2018.10.011

2. Hogan JJ, Mocanu M, Berns JS: Den innfødte nyrebiopsien: Oppdatering og bevis for beste praksis. Clin J Am Soc Nephrol 11: 354–362, 2016https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Diagnose og vurdering av nyrefibrose: Den nyeste teknologien. Swiss Med Wkly 147: w14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; ERA-EDTA Immunonephrology Working Group: Nyrebiopsi i 2015: Fra epidemiologi til evidensbaserte indikasjoner. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Nyrebiopsipraksis: Hva er gullstandarden? World J Nephrol 3: 287–294, 2014 https://doi.org/10. 5527/wjn.v3.i4.287

6. Poggio ED, McClelland RL, Blank KN, Hansen S, Bansal S, Bomback AS, Canetta PA, Khairallah P, Kiryluk K, Lecker SH, McMahon GM, Palevsky PM, Parikh S, Rosas SE, Tuttle K, Vaz quez MA Vijayan A, Rovin BH; Nyrepresisjonsmedisinprosjekt: Systematisk gjennomgang og meta-analyse av native nyrebiopsikomplikasjoner. Clin J Am Soc Nephrol 15: 1595–1602, 2020 https://doi.org/10.2215/CJN.04710420

7. Abdeltawab H, Shehata M, Shalaby A, Khalifa F, Mahmoud A, El-Ghar MA, Dwyer AC, Ghazal M, Hajjdiab H, Keynton R, El-Baz A: Et nytt CNN-basert CAD-system for tidlig vurdering av transplantert nyredysfunksjon. Sci Rep 9: 5948, 2019 https:// doi.org/10.1038/s41598-019-42431-3

8. Wang Z, Yang H, Suo C, Wei J, Tan R, Gu M: Anvendelse av ultralyd elastografi for kronisk allograft dysfunksjon ved nyretransplantasjon. J Ultrasound Med 36: 1759–1769, 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€ utter-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: Sonography of the renal allograft: Correlation between doppler sonographic resistance index (RI) og histopatologi. Clin Hemorheol Microcirc 70: 413–422, 2018 https:// doi.org/10.3233/CH-189306

10. Kuo CC, Chang CM, Liu KT, Lin WK, Chiang HY, Chung CW, Ho MR, Sun PR, Yang RL, Chen KT: Automatisering av nyrefunksjonsprediksjon og klassifisering gjennom ultralydbasert nyreavbildning ved bruk av dyp læring. Digit Med 2: 1–9, 2019