เชิงนามธรรมความเป็นมา เป้าหมายของปัญญาประดิษฐ์ในแผลเป็นจากไตการศึกษา (AIRS) คือการพัฒนาเครื่องมือการเรียนรู้ของเครื่องสำหรับการวัดปริมาณแบบไม่รุกล้ำพังผืดในไตจากการสแกนภาพ วิธีการ เราทำการวิเคราะห์ย้อนหลังของผู้ป่วยที่มีการตรวจเอกซเรย์คอมพิวเตอร์ช่องท้อง (CT) หนึ่งครั้งหรือมากกว่านั้นภายใน 6 เดือนนับจากการตรวจชิ้นเนื้อไต- กลุ่มสุดท้ายประกอบด้วยการสแกน CT 152 ครั้งจากผู้ป่วย 92 ราย ซึ่งรวมถึงภาพถ่ายไตพื้นเมือง 300 ภาพ และ 76 ภาพการปลูกถ่ายไต- สอง convolutional ที่แตกต่างกันโครงข่ายประสาทเทียม(ตัวแยกประเภทระดับสไลซ์และระดับว็อกเซล) ได้รับการทดสอบเพื่อแยกความแตกต่างที่รุนแรงกับเล็กน้อย/ปานกลางพังผืดในไต($50% เทียบกับ 50%)พังผืดคั่นระหว่างหน้าและคะแนนการฝ่อของ tubular จากการตรวจชิ้นเนื้อไตรายงานถูกใช้เป็นความจริงภาคพื้นดิน ผลลัพธ์ โมเดลแมชชีนเลิร์นนิงทั้งสองแสดงค่าการคาดการณ์เชิงบวกที่คล้ายคลึงกัน ({{0}.886 เทียบกับ 0.935) และความแม่นยำ (0.831 เทียบกับ 0.879) โดยสรุป อัลกอริธึมการเรียนรู้ของเครื่องเป็นเครื่องมือวินิจฉัยที่ไม่รุกล้ำที่มีแนวโน้มปริมาณการเกิดพังผืดในไตจากการสแกนซีที ประโยชน์ทางคลินิกของเครื่องมือทำนายเหล่านี้ ในแง่ของการหลีกเลี่ยงการตัดชิ้นเนื้อไตและความเสี่ยงที่เกี่ยวข้องกับเลือดออกในผู้ป่วยที่เป็นโรคพังผืดขั้นรุนแรง ยังคงต้องได้รับการตรวจสอบในการทดลองทางคลินิกในอนาคต
CISTANCHE ใช้เวลานานเท่าใดในการทำงานเพื่อผู้ป่วยโรคไต?
การแนะนำ
การตรวจชิ้นเนื้อไตผ่านผิวหนังโดยใช้อัลตราซาวนด์ยังคงเป็นมาตรฐานในการดูแล เมื่อจำเป็นต้องมีการวินิจฉัยทางจุลพยาธิวิทยาเพื่อเป็นแนวทางในการจัดการภาวะโปรตีนในปัสสาวะ ภาวะปัสสาวะเป็นเลือดด้วยกล้องจุลทรรศน์ การปฏิเสธการปลูกถ่าย หรือความผิดปกติของไตโดยไม่ทราบสาเหตุ (1,2) ระดับของการเกิดพังผืดในไตหรือความรุนแรงของ CKD มักไม่ทราบในขณะที่ทำการตรวจชิ้นเนื้อไต (3) การตัดชิ้นเนื้อไตที่เผยให้เห็นการเกิดพังผืดที่รุนแรง (.50%) อาจทำให้การวินิจฉัยโรคชัดเจนขึ้น แต่ไม่น่าจะเปลี่ยนการรักษาทางคลินิก และทำให้ผู้ป่วยเสี่ยงต่อภาวะเลือดออกที่เกี่ยวข้องกับขั้นตอนการรักษา (4) ภาวะแทรกซ้อนหลังการตัดชิ้นเนื้อมีตั้งแต่ภาวะปัสสาวะเป็นเลือดชั่วคราวไปจนถึงภาวะตกเลือดที่เป็นอันตรายถึงชีวิต และมีความสัมพันธ์กับปัจจัยเสี่ยงต่างๆ เช่น ความดันโลหิตสูง อายุขั้นสูง ภาวะโลหิตจาง จำนวนเกล็ดเลือดต่ำ การทำงานของไตลดลง และความผิดปกติของการแข็งตัวของเลือด (5) การวิเคราะห์เมตต้าล่าสุดของการตรวจชิ้นเนื้อไตด้วยอัลตราซาวนด์ 64 ชิ้น0 จำนวน 118 ชิ้น รายงานอัตราอุบัติการณ์ของการถ่ายเลือด การแทรกแซงหลอดเลือด และการเสียชีวิตที่ 2%, 0.3% และ 0.06% ตามลำดับ (6)
การประเมินความรุนแรงของ CKD เป็นสิ่งสำคัญเมื่อพิจารณาถึงความเสี่ยงและประโยชน์ของการตัดชิ้นเนื้อไต แต่เครื่องมือที่ไม่รุกล้ำเพื่อประเมินระดับการเกิดพังผืดยังด้อยพัฒนา (7) การศึกษาที่สำรวจเทคนิคอัลตราซาวนด์ (รวมถึงการถ่ายภาพความเร็วคลื่นเฉือน, อิลาสโตกราฟชั่วคราวชั่วคราว, อีลาสโตกราฟีแบบเรียลไทม์, การตรวจคลื่นเสียงความถี่สูงด้วย Doppler และความเครียดคอร์ติโคดูลลารีอัลตราซาวนด์) ได้สังเกตเห็นความสัมพันธ์ที่ไม่สอดคล้องกับระดับของพังผืดต่อเนื้อเยื่อวิทยาของไต (3,8,9) นอกจากนี้ วิธีการเหล่านี้ยังขึ้นอยู่กับปัจจัยภายนอกอย่างมาก เช่น ความดันโลหิต น้ำหนักไต น้ำหนักตัว และแรงของทรานสดิวเซอร์ที่ใช้ ไม่ต้องพูดถึงความแปรปรวนภายในเซิร์ฟเวอร์และระหว่างผู้สังเกตการณ์ที่สูง (3) รายงานล่าสุดพบความสัมพันธ์ที่ใกล้ชิดระหว่างขนาดไตที่กำหนดโดยอัลตราซาวนด์พร้อมการทำงานของไตโดยประมาณ (eGFR) แต่ไม่ได้ประเมินไตพังผืด(10) เคอร์ปาลานี และคณะ รายงานว่าการถ่ายภาพด้วยคลื่นสนามแม่เหล็กมีแนวโน้มที่ดีในแง่ของคะแนนความแข็งที่สัมพันธ์กับการเกิดพังผืดในไต (11) แต่ไม่ได้สำรวจเครื่องมือการเรียนรู้ของเครื่องเพื่อเพิ่มประสิทธิภาพความแม่นยำในการทำนาย
เอกซเรย์คอมพิวเตอร์ (CT) ช่วยให้สามารถถ่ายภาพเนื้อเยื่อไตที่มีความละเอียดสูงโดยได้รับรังสีน้อยที่สุดต่อผู้ป่วย (7) เทคโนโลยีการเรียนรู้ของเครื่องรวมกันการถ่ายภาพด้วย CT ถือเป็นแนวทางที่ดีสำหรับคนที่ไม่ใช่การประเมินไตแบบรุกรานฟิbrosis แทนที่จะเป็นกระแสมาตรฐานการดูแลทางจุลพยาธิวิทยา การเรียนรู้เชิงลึกแบบ Convolutionalโครงข่ายประสาทเทียม (CNN) เป็นรูปแบบใหม่ของการเรียนรู้ของเครื่องซึ่งสามารถแยกรูปแบบที่เกี่ยวข้องออกจากเขาได้โทโลยี การถ่ายภาพ หรือข้อมูลทางคลินิกอื่นๆ ที่เป็นประโยชน์ต่อโรค
ลักษณะ (12,13) เทคโนโลยีของ CNN สำหรับการวินิจฉัยได้รับการสำรวจในสภาพแวดล้อมที่หลากหลาย ตั้งแต่การตกเลือดในกะโหลกศีรษะและมะเร็งไปจนถึงโรคปอดบวมและไส้ติ่งอักเสบ (14–17)
เป้าหมายของการศึกษาปัญญาประดิษฐ์ในการเกิดแผลเป็นจากไต (AIRS) คือการพัฒนาเครื่องมือของ CNN เพื่อหาปริมาณการเกิดพังผืดในไต ซึ่งเป็นทางเลือกในการวินิจฉัยโดยใช้คอมพิวเตอร์ช่วยแทนการตรวจชิ้นเนื้อไต อัลกอริธึมของ CNN สองชุด (ตัวแยกประเภทระดับสไลซ์และระดับว็อกเซล) ได้รับการฝึกอบรมเพื่อวิเคราะห์การถ่ายภาพ CT ของไตโดยธรรมชาติและไตที่ได้รับการปลูกถ่าย เพื่อจำแนกระดับของการเกิดพังผืด โดยอิงตามคะแนนการเกิดพังผืดจากการตรวจชิ้นเนื้อไตในผู้ป่วยรายเดียวกัน ในการวิเคราะห์นำร่องนี้ เรามุ่งเน้นไปที่การวิเคราะห์การเกิดพังผืดที่ไม่รุนแรง/ปานกลางเทียบกับรุนแรง (,50% เทียบกับ $50%) ว่าเป็นการแบ่งขั้วที่เกี่ยวข้องทางคลินิกซึ่งอาจเป็นประโยชน์สำหรับนักไตวิทยาที่พิจารณาการตัดชิ้นเนื้อไตสำหรับผู้ป่วยของพวกเขา เราแสดงให้เห็นว่าอัลกอริทึมของ CNN สามารถแยกความแตกต่างที่รุนแรงจากการเกิดพังผืดในไตระดับเล็กน้อยหรือปานกลางได้ด้วยความแม่นยำสูง
วัสดุและวิธีการ
ฐานข้อมูลผู้ป่วย นี่เป็นการวิเคราะห์ย้อนหลังของการตัดชิ้นเนื้อไตที่ดำเนินการที่ศูนย์การแพทย์มหาวิทยาลัยแคลิฟอร์เนียเออร์ไวน์ระหว่างปี 2014 ถึง 2019 เราระบุผู้ป่วยที่มีการสแกน CT ช่องท้องมูลค่า $1 ซึ่งเสร็จสิ้นภายใน 6 เดือนของการตัดชิ้นเนื้อไต หลังจากการคัดกรองเบื้องต้นของระบบเวชระเบียน ผู้ป่วย 42 รายที่ได้รับการถ่ายภาพเอ็กซ์เรย์ถูกแยกออกด้วยเหตุผลต่อไปนี้: การสแกน CT ดำเนินการนอกระยะเวลาการรวม (.6 เดือนนับจากวันที่ตรวจชิ้นเนื้อ n53); การถ่ายภาพด้วยคลื่นสนามแม่เหล็กในช่องท้อง แต่ไม่พบ CT ในระบบ (n56) ผู้ป่วยข้ามกระบวนการใส่คำอธิบายประกอบโดยไม่ได้ตั้งใจ (n52) ไตพื้นเมืองที่ไม่ได้แบ่งส่วนในผู้ป่วยที่ได้รับการปลูกถ่าย (n51) การสแกนคุณภาพต่ำด้วยสิ่งประดิษฐ์ฮาร์ดแวร์ (n51) และการศึกษาเกี่ยวกับภาพภายนอกที่ไม่ได้จัดเก็บไว้ในคลังภาพระยะยาว (n529) ดาวน์โหลด CT scan ที่เหลือ 152 รายการจากผู้ป่วย 92 รายแล้ว และปริมาตรที่สร้างใหม่ของเนื้อเยื่ออ่อนตามแนวแกนถูกสกัดเพื่อการวิเคราะห์เพิ่มเติม การสแกน CT ส่วนใหญ่ (79%) ดำเนินการโดยไม่มีการเปรียบเทียบทางหลอดเลือดดำ สแกน 129 ครั้งในเครื่องสแกนของ Philips, 22 ครั้งในเครื่องสแกนของ Siemens และอีก 1 ครั้งในเครื่องสแกนของ GE Medical Systems
นักพยาธิวิทยา (JEZ) ตรวจสอบการคัดเลือกผู้ป่วยแบบสุ่มเพื่อยืนยันว่าระดับของการเกิดพังผืดได้รับการบันทึกไว้อย่างถูกต้องในรายงานการตรวจชิ้นเนื้อไต ในผู้ป่วยที่ไม่ลงรอยกัน นักพยาธิวิทยาคนที่สองได้ตรวจสอบสไลด์เพื่อระบุความจริงพื้นฐาน (ดูการรับทราบ) ระดับความเป็นจริงของการเกิดพังผืดในไตจากรายงานการตัดชิ้นเนื้อได้รับการรักษาเป็นผลลัพธ์แบบไบนารี: เล็กน้อย/ปานกลางเทียบกับรุนแรง (พังผืดคั่นระหว่างหน้าและท่อลีบ 50% เทียบกับ 50 ดอลลาร์สหรัฐฯ) ไตดั้งเดิมในการสแกน CT จากผู้ป่วยที่ได้รับการปลูกถ่ายจะถูกให้คะแนนโดยอัตโนมัติว่าเป็นพังผืดขั้นรุนแรง เงื่อนไขทางประชากรศาสตร์และโรคร่วมได้รับการรวบรวมในฐานข้อมูล REDCap และเข้าถึงรูปภาพ CT ตามที่อธิบายไว้ด้านล่าง ขั้นตอนการวิจัยทั้งหมดได้รับการอนุมัติจากคณะกรรมการพิจารณาสถาบันแห่งมหาวิทยาลัยแคลิฟอร์เนียเออร์ไวน์
คำอธิบายประกอบ
ซีทีสแกนถูกถ่ายโอนจากระบบจัดเก็บรูปภาพและการสื่อสารของโรงพยาบาลไปยังฐานข้อมูลภายในที่ปลอดภัย เครื่องมือคำอธิบายประกอบบนเว็บที่เป็นกรรมสิทธิ์แบบกำหนดเองถูกนำมาใช้เพื่อสร้างมาสก์ไบนารีสามมิติตามความเป็นจริงที่สอดคล้องกับไตด้านขวาและด้านซ้ายและการปลูกถ่ายไต (หากมี) เครื่องมือคำอธิบายประกอบถูกนำมาใช้เป็นโปรแกรมอรรถประโยชน์แปรงอย่างง่าย โดยไม่มีฟังก์ชันการกำหนดขีดจำกัดหรือการกำหนดเส้นขอบขั้นสูง นักวิจัยที่เป็นนักศึกษาสองคน (HRT, KAPR) ทำหน้าที่เป็นผู้อธิบายหลัก และต่อมานักรังสีวิทยาอาวุโส (PDC) ได้ตรวจสอบคำอธิบายประกอบเกี่ยวกับผู้ป่วยแต่ละรายและปรับขอบเขตความสนใจตามความจำเป็น
การประมวลผลภาพล่วงหน้า
การใช้มาส์กปริมาตรไตที่มีคำอธิบายประกอบเป็นแม่แบบ ไตแต่ละข้างจะถูกครอบตัดและสุ่มตัวอย่างใหม่เป็นปริมาตรวอกเซลแบบไอโซโทรปิก 96 3 96396 โอเปร่าที่สุ่มตัวอย่างใหม่นี้จำเป็นต้องมีเพื่อให้แน่ใจว่าอินพุตของโมเดลทั้งหมดมีขนาดเมทริกซ์เท่ากัน และเพื่อรองรับข้อจำกัดของหน่วยความจำของหน่วยประมวลผลกราฟิก เมื่อพิจารณาถึงปริมาณแล้วครอบตัดครั้งแรกไปทางไตด้านขวาและด้านซ้าย และไตเป็นเพียงส่วนเล็กๆ ของปริมาตร CT ดั้งเดิม ขนาด voxel ที่สุ่มตัวอย่างสุดท้ายจะมีความละเอียดใกล้เคียงกันการแก้ไขข้อมูลเดิม จากนั้นปริมาตรที่ครอบตัดแต่ละรายการจะถูกทำให้เป็นมาตรฐานโดยการตัดค่าว็อกเซลทั้งหมดให้อยู่ในช่วง 2,150 ถึง 250 หน่วย Hounsfield และปรับขนาดด้วยปัจจัย 1:50 ใดๆการสอบเดี่ยวในชุดข้อมูลนี้อาจมีไตที่ถูกครอบตัดมากถึงสามไตที่ใช้สำหรับการฝึกอบรมอัลกอริทึม: (เนทีฟ) ซ้าย (เนทีฟ) ขวา และการปลูกถ่าย สำหรับเด็กแต่ละคนใช่แล้ว ภาพสองมิติ (2D) ทั้งหมด 96 ภาพ (ขนาด 96396) ถูกนำมาใช้ในการฝึกอบรม
แนวทางของซีเอ็นเอ็น
เครือข่าย 2D CNN แบบกำหนดเองที่แตกต่างกันสองเครือข่ายได้รับการทดสอบและเปรียบเทียบ เพื่อแยกความแตกต่างที่รุนแรงจากการเกิดพังผืดในไตระดับเล็กน้อยหรือปานกลาง อัลกอริธึมแรกเป็นมาตรฐานสากลเครื่องแยกประเภท CNN แบบชิ้นต่อชิ้น ออกแบบมาเพื่อคาดการณ์หนึ่งในสามหมวดหมู่ที่ไม่เกิดร่วมกันสำหรับภาพ 2D แต่ละภาพ: ไม่มีไต พังผืดระดับเล็กน้อย/ปานกลาง และพังผืดรุนแรง ที่อัลกอริธึมที่สองคือตัวแยกประเภท CNN ระดับพิกเซลที่ใช้งานผ่านสถาปัตยกรรม U-Net แบบ convolutional เต็มรูปแบบเพื่อทำการแบ่งส่วนและจำแนกประเภทพร้อมกัน ใน
ทั้งสองรุ่น การจำแนกขั้นสุดท้ายจะละเว้นชิ้นหรือ voxels ที่ไม่มีไต และกฎเสียงข้างมากจะรวมอยู่ในการคาดการณ์ที่เหลือ มีการนำอัลกอริธึมทั้งสองมาใช้โดยใช้สถาปัตยกรรมเครือข่ายแบบบีบและกระตุ้นที่ล้ำสมัย ซึ่งเป็นโมเดลที่มีประสิทธิภาพสูงสุดของ ImageNet Large Scale Visual Recognition Challenge ในปี 2560 (18)วิธีการเครือข่ายแบบบีบและกระตุ้นช่วยให้เครือข่ายสามารถปรับเทียบการตอบสนองฟีเจอร์ที่ชาญฉลาดของช่องสัญญาณใหม่โดยอิงตามอินพุตโมเดลที่แตกต่างกันโดยการเรียนรู้
การพึ่งพาซึ่งกันและกันระหว่างช่องสัญญาณ (รูปที่ 1)
รูปที่ 1|แผนที่ความร้อนการคาดการณ์ที่สร้างโดยอัลกอริธึมการเรียนรู้เชิงลึก ซึ่งระบุบริเวณที่สงสัยว่าเป็นโรคพังผืด "รุนแรง" ภายในไต จากซ้ายไปขวา ไตที่มีตั้งแต่ภาวะพังผืดปกติไปจนถึงระดับรุนแรงจะแสดงขึ้นโดยมีระดับของเนื้อเยื่อพังผืดโดยประมาณแบบก้าวหน้า การทำนายค่า softmax เฉลี่ยสุดท้ายสำหรับไตทั้งหมดจะแสดงในแถวล่าง ตั้งแต่ 0.0 ถึง 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; และ 0.8–1.0
ตัวแยกประเภทแบบแบ่งส่วนทั่วโลก
ตัวแยกประเภท CNN ทั่วโลกเป็นสถาปัตยกรรมที่ได้มาจาก VGG แบบกำหนดเองที่ใช้งานกับโมดูลกระตุ้นการบีบในแต่ละเลเยอร์ อินพุตโมเดลเป็นชิ้น 2D (96396) ชิ้นเดียวและเอาต์พุตของแบบจำลองเป็นเวกเตอร์ logit สามองค์ประกอบซึ่งแสดงถึงการทำนายแบบสามคลาส CNN ประกอบด้วยบล็อกแบบหมุนวนสี่บล็อก โดยแต่ละบล็อกถูกกำหนดเป็น 333การบิด, การทำให้เป็นมาตรฐานแบบแบทช์ และ ReLU ทำซ้ำทั้งหมดสามครั้ง การสุ่มตัวอย่างจะดำเนินการที่ส่วนท้ายของแต่ละบล็อกผ่านการบิดด้วยก้าวก้าวที่สอง หลังจาก
บล็อกแบบหมุนวนสี่บล็อก (12 เลเยอร์) แผนผังคุณลักษณะสุดท้ายจะถูกทำให้แบนและใช้เป็นอินพุตในเลเยอร์ที่เชื่อมต่ออย่างสมบูรณ์เพียงเลเยอร์เดียว
ตัวแยกประเภทระดับ Voxel
ตัวแยกประเภท CNN ระดับ voxel เป็นสถาปัตยกรรม U-Netderived แบบกำหนดเองที่นำไปใช้กับโมดูลกระตุ้นการบีบในแต่ละเลเยอร์ (19) อินพุตโมเดลเป็นชิ้น 2D (96396) ชิ้นเดียว และเอาต์พุตโมเดลเป็นมาสก์การแบ่งส่วน 2D (96396) ชิ้นเดียวพร้อมการทำนายสามคลาสที่ตำแหน่งว็อกเซลแต่ละตำแหน่ง CNN ประกอบด้วยบล็อก Convolutional แบบหดตัวสี่บล็อก โดยแต่ละบล็อกถูกกำหนดให้เป็น Convolution 333, การทำให้เป็นมาตรฐานแบบแบทช์ และ Leaky ReLU ซ้ำทั้งหมดสามครั้ง การสุ่มตัวอย่างจะดำเนินการที่ส่วนท้ายของแต่ละบล็อกผ่านการบิดด้วยก้าวก้าวที่สอง หลังจากบล็อก Convolutional สี่บล็อก (12 ชั้น) การดำเนินการจะถูกย้อนกลับผ่านสถาปัตยกรรมเครือข่ายที่เหมือนกัน โดยแทนที่ Convolution แบบ Stridden (ย่อยการสุ่มตัวอย่าง) ด้วยทรานสโพสแบบบิด (อัปแซมปลิง)
การใช้งานโครงข่ายประสาทเทียม
ฟังก์ชันการสูญเสีย crossentropy ของ softmax ใช้เพื่อเพิ่มประสิทธิภาพทั้งสองรุ่น การปรับให้เหมาะสมที่สุดดำเนินการโดยใช้เทคนิคอดัม (20) โดยมีอัตราการสลายตัวแบบเอ็กซ์โพเนนเชียล, b1 และ b2, ตั้งค่าถึง {{0}}.9 และ 0.999 ตามลำดับ อัตราการเรียนรู้ตั้งไว้ที่ 131023 ขนาดแบตช์ตั้งไว้ที่ 8 โดยมีการทำซ้ำการฝึกอบรมทั้งหมด 25,000 ครั้ง การทำให้เป็นมาตรฐานของซาเวียร์ใช้ในการเริ่มต้นน้ำหนักก่อนการฝึก (21) โค้ดอัลกอริทึมเขียนด้วยไลบรารี Python 3.6, TensorFlow 2.1.0 และไลบรารี Keras 1.0.8 เครือข่ายได้รับการฝึกฝนบนคลัสเตอร์หน่วยประมวลผลกราฟิกภายในของเรา ซึ่งประกอบด้วย Nvidia GeForce RTX 2080 Ti 48 ตัว และ GeForce RTX Titan 12 ตัว โดยเฉลี่ยแล้ว ตัวแยกประเภทแบบสากลจะฝึกอบรมเป็นเวลา 30 นาทีต่อการทดลอง ในขณะที่ตัวแยกประเภทแบบ voxel จะฝึกอบรมเป็นเวลา 2-4 ชั่วโมงต่อการทดลอง
การประเมิน
มีการใช้กลยุทธ์การตรวจสอบข้ามห้าเท่าเพื่อประเมินกระบวนการฝึกอบรม แม้ว่าไตที่แตกต่างกันถึงสามไตจากผู้ป่วยแต่ละรายจะได้รับการรักษาเป็นรายบุคคลในระหว่างกระบวนการฝึกอบรม ปริมาณทั้งหมดจากผู้ป่วยรายเดียวจะถูกแบ่งกลุ่มเป็นกลุ่มการตรวจสอบข้ามเดียวกันเพื่อป้องกันข้อมูลรั่วไหล ชุดข้อมูลถูกแบ่ง 80:20 จากนั้นจึงฝึกอบรมเกี่ยวกับ80% ในขณะที่อีก 20% ใช้สำหรับการตรวจสอบ การฝึกอบรมทำซ้ำทั้งหมดห้าครั้งโดยมีการแบ่งแยก 80:20 ที่แตกต่างกันจนกว่าชุดข้อมูลทั้งหมดจะได้รับการตรวจสอบโดยสมบูรณ์
นอกเหนือจากการทดลองในกลุ่มข้อมูลทั้งหมดแล้ว ยังมีการดำเนินการวิเคราะห์กลุ่มย่อยเพิ่มเติมเพื่อประเมินตัวแปรที่อาจก่อให้เกิดความสับสน การแบ่งชั้นถูกนำมาใช้ขึ้นอยู่กับสถานะความคมชัดทางหลอดเลือดดำและการยกเว้นไตพื้นเมืองที่ฝ่อในผู้ป่วยที่ได้รับการปลูกถ่าย นอกจากนี้ เพื่อประเมินความสามารถทั่วไปของโมเดล ให้ modส่วนอื่นๆ ที่ได้รับการฝึกอบรมจากเครื่องสแกนของ Philips และ GE โดยเฉพาะได้รับการตรวจสอบความถูกต้องกับข้อมูลจากเครื่องสแกนของ Siemens โดยเฉพาะ
สถิติ
เป้าหมายการศึกษาของเราคือการแยกแยะระหว่างการเกิดพังผืดระดับเล็กน้อย/ปานกลางจากการเกิดพังผืดรุนแรงในการถ่ายภาพ CT ของไต กฎส่วนใหญ่ถูกใช้ในทั้งสองวิธี (แบบแบ่งส่วนทั่วโลกและอิงว็อกเซล) เพื่อกำหนดความรุนแรงของฟิโบรซิสเพื่อประเมินประสิทธิภาพระหว่างทั้งสองแนวทางความแม่นยำ ความไว โดยเฉพาะฟิเมือง ค่าพยากรณ์เชิงบวก(PPV) และค่าพยากรณ์เชิงลบ (NPV) คือแคลคูลัสล่าช้าและเปรียบเทียบ พื้นที่ใต้การทำงานของเครื่องรับเส้นโค้ง (AUC) ยังคำนวณโดยการเปลี่ยนแปลงซอฟต์แม็กซ์เกณฑ์คะแนนสำหรับฟิโบรซิส คลาสซีฟิไอออนบวกและผลลัพธ์โดยวาดเส้นโค้งให้ทั้งสองวิธีเปรียบเทียบ คำอธิบายสถิติเชิงสถิติถูกรายงานว่าเป็นค่าเฉลี่ย6เอสดี.
