โรคไตเรื้อรัง (CKD): คุณเหมาะกับการปลูกถ่ายไตแบบเดี่ยวและแบบคู่หรือไม่?

สำหรับข้อมูลเพิ่มเติม:ali.ma@wecistanche.com

ตอนที่ Ⅰ:โครงข่ายประสาทเทียมสำหรับการจำแนกกลิเมอรูลัสโดยพิจารณาจากภาพทางเนื้อเยื่อของการตรวจชิ้นเนื้อไต

Giacomo Donato Cascaranol, Francesco Saverio Debitontol และคณะ

พื้นหลัง

โรคไตเรื้อรัง(CKD) เป็นภาวะทางพยาธิสภาพที่มีลักษณะเสื่อมตามหน้าที่ของไต. โรคไต (โรคไตเรื้อรัง) เป็นสาเหตุการเสียชีวิตลำดับที่ 12 โดยมีผู้ป่วยมากถึง 1.1 ล้านรายทั่วโลก การเสียชีวิตที่เพิ่มขึ้นที่เกี่ยวข้องกับ CKD (โรคไตเรื้อรัง)ในช่วงหลายปีที่ผ่านมาทำให้เป็นหนึ่งในสาเหตุการเสียชีวิตที่เพิ่มขึ้นอย่างรวดเร็ว ควบคู่ไปกับโรคเบาหวานและภาวะสมองเสื่อม [1, 2]ไตการปลูกถ่ายเป็นการบำบัดทดแทนไตที่ดีที่สุดที่เปิดเผยว่ามีประสิทธิภาพมากกว่าการฟอกไตในแง่ของความเสี่ยงต่อการเสียชีวิตในระยะยาว และในขณะเดียวกันก็มีผลกระทบต่อระบบสาธารณสุขลดลง [3, 4]

Click to Cistanche NZ สำหรับ โรคไตเรื้อรัง

Liyanage และคณะ ประมาณการว่า 2.6 ล้านคน ต่อหน้าผู้ป่วย 4.9 ล้านคน ได้รับการบำบัดทดแทนไตทั่วโลกในปี 2010 ซึ่งบ่งชี้ว่า อย่างน้อย 2.3 ล้านคนอาจเสียชีวิตก่อนเวลาอันควรเนื่องจากการรักษาที่เหมาะสมไม่สามารถเข้าถึงได้ [5]

เนื่องจากความจำเป็นที่เพิ่มขึ้นของไตการปลูกถ่าย[6] การศึกษาต่าง ๆ พยายามขยายเกณฑ์การยอมรับไตสำหรับการปลูกถ่ายซึ่งโดยทั่วไปจะไม่รวมตามอายุของผู้บริจาคและลักษณะอื่น ๆ ที่เกี่ยวข้องกับคุณภาพและขนาดของไต[7,8].

มัวร์และคณะ ทำการเปรียบเทียบระหว่างdualไตการปลูกถ่ายจากผู้บริจาคตามเกณฑ์ที่ขยาย (ECD) และโสดไตการปลูกถ่ายจาก ECD ที่เช่าพร้อมกันและผู้บริจาคเกณฑ์มาตรฐาน ผู้เขียนประเมินว่าการใช้dualการปลูกถ่ายไตจากผู้บริจาคส่วนเพิ่มเป็นทางเลือกที่ทำงานได้และการทำงานของไตสามารถทำได้โดยมีเงื่อนไขว่าทั้งสองไตถูกย้ายไปยังผู้รับคนเดียว [9]

Remuzzi และคณะ เสนอเทคนิคในการประเมินไตสภาพโดยการประเมินชิ้นเนื้อเนื้อเยื่อ [10] เกณฑ์การประเมินที่เรียกว่าคะแนน Karpinski พิจารณาวิวัฒนาการ (เป็นเปอร์เซ็นต์) ของสภาพทางพยาธิวิทยาของพื้นที่ทำงานหลักสี่ส่วน: ภาวะเกล็ดเลือดต่ำ, การฝ่อของท่อ, พังผืดคั่นระหว่างหน้าและเส้นโลหิตตีบหลอดเลือด คะแนนนี้มีตั้งแต่ 0 ถึง 12 และยิ่งตัวเลขยิ่งสูง ยิ่งแย่คือภาวะไต [10-12]. ไตด้วยคะแนน Karpinski จาก 0 ถึง 3 และจาก 4 ถึง 6 ถือว่าเหมาะสมสำหรับการปลูกถ่ายเดี่ยวและคู่ตามลำดับ

การรักษาโรคไต: cistanche และการปลูกถ่ายไต

ในการประเมินคะแนน Karpinski นักพยาธิวิทยาจะทำการประเมินภาพด้วยภาพโฮลสไลด์ (WSI) ทางจุลพยาธิวิทยา กระบวนการนี้มักจะใช้เวลานาน มีแนวโน้มที่จะเกิดข้อผิดพลาด และยังขึ้นอยู่กับอัตนัยด้วย

เพื่อเอาชนะข้อเสียเหล่านี้ การพัฒนาระบบ Computer-Aided Diagnosis (CAD) บนพื้นฐานของการวิเคราะห์ภาพเนื้อเยื่อเนื้อเยื่อเพื่อสนับสนุนการคำนวณคะแนนจึงเป็นความก้าวหน้าที่มีคุณค่า

งานวรรณกรรมล่าสุดแสดงการประยุกต์ใช้การประมวลผลภาพและเทคนิคการเรียนรู้ของเครื่องเพื่อวิเคราะห์ไตจุลพยาธิวิทยาWSIs สำหรับการตรวจหาและจำแนก glomeruli แนวทางการประมวลผลภาพมุ่งที่จะแยกคุณลักษณะที่มีความหมาย เช่น การวิเคราะห์รูปร่างและพื้นผิว จากนั้นอัลกอริธึมการเรียนรู้ของเครื่อง เช่น เครือข่ายประสาทเทียมแบบตื้นหรือลึก (ANN) จะทำการตัดสินใจตามคุณลักษณะที่แยกออกมา

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 (>ร้อยละ 70 ) เป็นผล

เพื่อทำการตรวจจับโกลเมอรูไลอย่างครอบคลุมในภาพทั้งหมดไตส่วน Kato et al. เสนอตัวอธิบายใหม่ที่เรียกว่า Segmental HOG (Histogram of Oriented Gradients)[14] ผู้เขียนอ้างความคงทนของโซลูชันและผลลัพธ์การแบ่งส่วนคุณภาพสูง นอกจากนี้ ผู้เขียนได้เปรียบเทียบ Segmental HOG กับ Rectangular HOG ซึ่งแสดงให้เห็นว่าวิธีแรกมีการปรับปรุงประสิทธิภาพการตรวจจับอย่างมีนัยสำคัญ

ผู้เขียนหลายคนกลับเน้นไปที่การวิเคราะห์รูปร่างและสีของโกลเมอรูลี Kotyk et al. เสนอวิธีแก้ปัญหาใหม่เพื่อเผชิญกับการเปลี่ยนแปลงความเข้มที่กว้างและความไม่สอดคล้องกันในแง่ของรูปร่างและขนาดของ glomeruli ในเม็ดเลือดของไต แนวทางที่เสนอโดยใช้เทคนิค Particles Analyzer ช่วยให้สามารถตรวจหาเม็ดเลือดของไตและการวัดเส้นผ่านศูนย์กลางของโกลเมอรูลัสและความกว้างของพื้นที่ของโบว์แมนได้ ผู้เขียนประเมินว่าวิธีการนี้มีประสิทธิภาพต่อการเปลี่ยนรูปของโกลเมอรูไล แม้ว่าจะมีการโตเกินของไต [15] Zhao et al ได้ทำการวิเคราะห์ผลกระทบของสีและรูปร่างของเนื้อเยื่อที่หลากหลายอย่างมีนัยสำคัญต่อภาพสไลด์ทั้งหมด [16]. ผู้เขียนมุ่งเน้นไปที่การสกัดความกว้างของแคปซูลของโบว์แมนเพื่อออกแบบกรอบการสกัดโกลเมอรูลัสแบบอัตโนมัติจากไมโครกราฟของเนื้อเยื่อไตทั้งหมด ระบบได้รับการทดสอบบนเนื้อเยื่อไตของไพรเมตที่ไม่ใช่มนุษย์ด้วยการย้อมสีฮีมาทอกซิลินและอีโอซิน(HE)

Bukowy และคณะ เสนอขั้นตอนการวิเคราะห์ที่แตกต่างกัน ในปี [17] ผู้เขียนได้พัฒนาโครงข่ายประสาทเทียมเพื่อตรวจหาโกลเมอรูไลในส่วนไต-ไตที่ย้อมด้วยไตรโครม ขั้นตอนได้รับการทดสอบกับหนูไตและผลการรายงานเกี่ยวกับการจำแนกประเภทของโกลเมอรูไลที่มีสุขภาพดีและเสียหาย แสดงความแม่นยำโดยเฉลี่ยและการเรียกคืนร้อยละ 96.94 และร้อยละ 96.79 ตามลำดับ

ในงานก่อนหน้านี้โดย Bevilacqua et al ระบบ CAD สำหรับการแบ่งส่วนและการเลือกปฏิบัติของหลอดเลือดกับท่อจากการตัดชิ้นเนื้อในไตเนื้อเยื่อได้รับการออกแบบและทดสอบ [18] ภาพทางเนื้อเยื่อวิทยาที่มีการย้อมสี Peri-odic Acid-Schiff (PAS) ถูกใช้เพื่อแบ่งส่วนภูมิภาคที่น่าสนใจ (ROI) และดึงคุณลักษณะ Haralick ออกเพื่อให้มีขั้นตอนการจำแนกประเภทที่ตามมาโดยใช้อัลกอริธึมตาม ANN ผลการทดสอบระบุว่าแนวทาง ANN ที่ได้รับการดูแลมีความสอดคล้องกัน ทำให้ได้ประสิทธิภาพการจัดหมวดหมู่ที่ดี

งานนี้เน้นการประเมินอัตโนมัติของไตการตรวจชิ้นเนื้อ การจัดการกับสภาพทางพยาธิวิทยาเฉพาะที่พิจารณาโดยคะแนน Karpinski: glomerulosclerosis เช่น อัตราส่วนระหว่างโกลเมอรูไล sclerosed กับจำนวนโดยรวมของโกลเมอรูไล ในการทำเช่นนี้ การตรวจหาและการเลือกปฏิบัติของภาวะ sclerotic ที่ส่งผลต่อ glomeruli จาก non-sclerotic นั้นมีความสำคัญ ตามที่ได้รายงานไปแล้วในผลงานที่ล้ำสมัย นี่เป็นงานที่ท้าทายเนื่องจากความแปรผันของความเข้มที่กว้างของโกลเมอรูลีและความไม่สอดคล้องกันของรูปร่างและขนาด

การรักษาโรคไต:การปลูกถ่ายเดี่ยวและคู่วิจัย

การผสมผสานของอัลกอริธึมการแยกคุณลักษณะต่างๆ ได้รับการออกแบบและประเมินเพื่อแยกแยะสภาพของโกลเมอรูลี เอกสารที่รายงานแสดงอัลกอริธึมการประมวลผลภาพที่เฉพาะเจาะจงและไม่เหมือนใครซึ่งนำไปใช้กับ WSI แบบย้อมสีและที่ไม่ใช่ของมนุษย์ประเภทต่างๆ ชุดของคุณสมบัติที่เสนอในงานนี้ แทนที่จะเป็นชุดของคุณสมบัติที่ใช้กันอย่างแพร่หลาย ที่รู้จักกันดี และวัตถุประสงค์ทั่วไป ตระกูลอัลกอริธึมการแยก คุณสมบัติทางสัณฐานวิทยาและพื้นผิว ตระกูลคุณลักษณะเหล่านี้รวมอยู่ในอัลกอริธึมบางตัวที่เสนอในวรรณกรรมด้วย แต่ในงานนี้ พวกมันถูกดึงมาจาก WSI ของมนุษย์ด้วยการย้อมสี PAS นอกจากนี้ ไปป์ไลน์การจำแนกซึ่งมีรายละเอียดในเมธอด ยังรวมถึงขั้นตอนสำหรับการลดคุณลักษณะที่ช่วยให้สามารถออกแบบโครงข่ายประสาทเทียมแบบตื้นได้ เวิร์กโฟลว์โดยรวมที่เสนอในงานนี้ และการรวมเข้ากับขั้นตอนที่นำเสนอใน [18] จะช่วยให้เราสามารถสร้างระบบ CAD ที่สมบูรณ์สำหรับการวิเคราะห์ WSI ทางจุลพยาธิวิทยา

ผลลัพธ์

ผลลัพธ์ที่ได้จากการประเมินเวิร์กโฟลว์การจำแนกประเภทที่เสนอในชุดทดสอบจะถูกรายงาน โดยเฉพาะอย่างยิ่ง ผลลัพธ์อ้างอิงถึงประสิทธิภาพที่ได้รับโดยพิจารณาจากชุดคุณลักษณะที่ลดลงซึ่งจำแนกโดยใช้ ANN ตื้นที่ตรวจสอบข้าม ตามที่รายงานในตารางที่ 1 ชุดทดสอบประกอบด้วย 579 glomeruli images: 87 sclerotic, 492 non-sclerotics

ในการประเมินความเสถียรของเวิร์กโฟลว์ มีการดำเนินการ 10 รอบของกระบวนการทั้งหมด ผลลัพธ์ที่ได้สรุปไว้ในตารางที่ 2 โดยเฉพาะอย่างยิ่ง ผลลัพธ์ถูกรายงานในแง่ของค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของตัวชี้วัดต่างๆ เช่นความแม่นยำ (Eq.1) ความแม่นยำ (Eq.2) การเรียกคืน (Eq.3) และ Matthews สัมประสิทธิ์สหสัมพันธ์ (สมการ 4) [19] ประเมินตามเมทริกซ์ความสับสนที่รายงานในตารางที่ 3

ในบรรดาการทำซ้ำ ผลลัพธ์ที่ดีที่สุดถูกรายงานในตารางที่ 4 ในขณะที่เมทริกซ์ความสับสนที่เกี่ยวข้องถูกรายงานในตารางที่ 5

เวิร์กโฟลว์ที่นำไปใช้ช่วยให้สามารถจำแนกประเภทของโกลเมอรูไล sclerotic และ non-sclerotic ได้ด้วยประสิทธิภาพที่ดี (ค่าเฉลี่ย MCC=0.95 และความแม่นยำเฉลี่ย=0.99)และความแปรปรวนต่ำ (MCC std=0.01 และความแม่นยำ std<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="">

ตารางที่ 1 การกำหนดค่าชุดข้อมูล	ตารางที่ 2 การเปรียบเทียบเมตริกของการเริ่มต้นเครือข่าย 10 รายการ

ตารางที่ 3 Confusion Matrix สำหรับการคำนวณเมทริก	ตารางที่ 4 การเปรียบเทียบเมตริกของการเริ่มต้นเครือข่าย 10 รายการ

ตารางที่ 5 เมทริกซ์ความสับสนของแบบจำลองที่ดีที่สุด

การอภิปราย

การประเมินแนวทางที่เสนอในชุดการทดสอบอิสระ เวิร์กโฟลว์การจัดหมวดหมู่บรรลุค่าเฉลี่ย MCC และความแม่นยำที่ {{0}}.95 และ 0.99 ตามลำดับ และความแปรปรวนต่ำมากกว่า 10 การทำซ้ำอิสระ (MCC std{{5} }.01 และความแม่นยำ std<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,="">

ขณะดำเนินการและประเมินเวิร์กโฟลว์ที่รายงาน เราเผชิญและทดสอบปัญหาข้อมูลทั่วไปที่ไม่สมดุล ซึ่งแก้ไขได้โดยใช้ MCC เป็นค่าสัมประสิทธิ์การเปรียบเทียบประสิทธิภาพและกราฟ ROC สำหรับการเลือกเกณฑ์การจัดประเภทที่เหมาะสมที่สุด ผลการรายงานแนะนำว่าการตั้งค่าเวิร์กโฟลว์ที่เสนอมีความน่าเชื่อถือสำหรับโดเมนที่ตรวจสอบ ซึ่งสนับสนุนการปฏิบัติทางคลินิกในการเลือกปฏิบัติ glomeruli ทั้งสองกลุ่ม

จากการวิเคราะห์ glomeruli ที่จัดประเภทผิด เราพบว่าภาพที่ป้อนเข้าที่สอดคล้องกับตัวอย่างที่จัดประเภทผิดนั้นแสดงการย้อมสีหรือชิ้นส่วนบางส่วน (ส่วนใหญ่อยู่ที่ขอบ) ตัวอย่างทั่วไปถูกกล่าวถึงในรูปที่ 1 อย่างไรก็ตาม ในการปฏิบัติทางคลินิก นักพยาธิวิทยาจะละทิ้งภาพดังกล่าว ซึ่งอาจยกเว้นในขั้นตอนการทำงานที่เสนอด้วยการออกแบบกลยุทธ์ในการตรวจจับภาพล่วงหน้าที่ได้รับผลกระทบจากปัญหาดังกล่าว

การรักษาโรคไต: การปลูกถ่ายไตเดี่ยวและคู่

คลิกที่นี่เพื่อเป็นส่วนหนึ่ง Ⅱ