PART Ⅲ: การพัฒนาและการประเมินการแบ่งกลุ่มตามการเรียนรู้เชิงลึกของโครงสร้างทางจุลกายวิภาคในเยื่อหุ้มสมองของไตที่มีคราบทางจุลกายวิภาคหลายจุด

ติดต่อ: Audrey Hu (Whatsapp:008613880143964) อีเมล:audrey.hu@wecistanche.com

Catherine P.Jayapandian, Yiiang Chen, Andrew R. Janowczyk และคณะ

การประเมินการตรวจชิ้นเนื้อไตนั้นมีความพิเศษเมื่อเทียบกับตัวอย่างทางพยาธิวิทยาทางศัลยกรรมอื่น ๆ เนื่องจากความหลากหลายของคราบที่ใช้เป็นประจำ การประเมินทางสัณฐานวิทยาของการเตรียมเนื้อเยื่อขึ้นอยู่กับคุณภาพของตัวยาเอง เช่นเดียวกับความเชี่ยวชาญของนักพยาธิวิทยาในการระบุภาวะปกติและ โครงสร้างทางพยาธิวิทยา ผู้เขียนแสดงให้เห็นว่า "โครงข่ายประสาทเทียมแบบหมุนตามการเรียนรู้เชิงลึก" อาจถูกนำมาใช้สำหรับการแบ่งส่วนโครงสร้างทางจุลพยาธิวิทยาอย่างมีประสิทธิภาพและเชื่อถือได้ในคราบต่างๆ ของเนื้อเยื่อไตปกติโดยใช้ภาพสไลด์ทั้งภาพในเครือข่ายการศึกษาโรคไต ชุดข้อมูลนี้จัดทำขึ้นจากห้องปฏิบัติการจุลกายวิภาค 38 แห่ง และสะท้อนถึงความแตกต่างทางสัณฐานวิทยา เทคนิค และรอยเปื้อนจำนวนมาก การค้นพบนี้ให้ข้อมูลเชิงลึกที่เป็นประโยชน์ พร้อมด้วยซอร์สโค้ดและข้อมูล ที่จะช่วยให้ผู้อ่านเอาชนะความท้าทายในพื้นที่นี้ งานนี้แสดงถึงรากฐานทางเทคนิคที่อาจสร้างเครื่องมือทางพยาธิวิทยาในอนาคตเพื่อเปิดใช้งานเครื่องมือสนับสนุนการตัดสินใจทางคลินิกที่นำไปปฏิบัติได้ เพื่อการจำแนกลักษณะโรคที่ดีขึ้นและการประเมินความเสี่ยงในเวิร์กโฟลว์ทางพยาธิวิทยา

คลิกที่นี่เพื่อเข้าร่วมⅠ&Ⅱ

cistanche และ cistanche extract

วิธีการ

การเลือกชุดข้อมูลเคสและรูปภาพ

การศึกษานี้ดำเนินการโดยใช้การตรวจชิ้นเนื้อไตแบบดิจิทัลจากคลังเก็บพยาธิวิทยาดิจิทัลของ NEPTUNE NEPTUNE เป็นกลุ่มความร่วมมือแบบหลายศูนย์ในอเมริกาเหนือที่มีผู้ใหญ่และเด็กมากกว่า 650 คนลงทะเบียนจากไซต์คัดเลือก 29 แห่ง (ห้องปฏิบัติการทางพยาธิวิทยา 38 แห่ง) เฉพาะกรณีที่มีการวินิจฉัยโรค MCD เท่านั้นที่รวมอยู่ในการศึกษานี้เนื่องจากทางเนื้อเยื่อวิทยามีความคล้ายคลึงกันมากที่สุดกับเนื้อเยื่อไตปกติ ใช้ WSI ที่ดูแลแล้วทั้งหมด 459 รายการ (125 H&E,125 PAS, 102 SIL,107 TRI) จากการตรวจชิ้นเนื้อไต 125 MCD ไม่ใช่ทุกกรณีที่มีคราบทั้งหมดอยู่ในที่เก็บพยาธิวิทยาดิจิทัล เลือก WSI สี่รายการสำหรับผู้ป่วยแต่ละราย (1 WSI ต่อคราบ) จาก WSI แต่ละอัน จะมี ROI ประมาณ 3 ถึง 5 ROI ที่มี histologic primitives สุ่มเลือก ตรวจสอบโดยนักพยาธิวิทยา และดึงข้อมูลด้วยตนเองเป็นกระเบื้องขนาด 3000 × 3000 จากนั้นจึงจัดเก็บเป็นภาพสี 8-บิตสีแดง reen blue (RGB) ในรูปแบบ PNG กำลังขยายแบบดิจิตอล 40 เท่า รายละเอียดเพิ่มเติมเกี่ยวกับการแปลงเป็นดิจิทัลและการดูแล WSI ของการตรวจชิ้นเนื้อสามารถดูได้ในรูปที่ S1 เพิ่มเติม

การตรวจสอบความถูกต้องของรุ่น DL อย่างอิสระ WSI หกชิ้นจากตัวอย่างการตัดไตที่ฝังตัวด้วยฟอร์มาลินและพาราฟิน 3 ชิ้นถูกรวมไว้เพื่อทดสอบประสิทธิภาพของเครือข่าย DL สำหรับการแบ่งกลุ่มของเนื้อเยื่อเนื้อเยื่อไตในผู้ใหญ่ทั้งหมดโดยไม่มีความผิดปกติทางโครงสร้างที่มีนัยสำคัญ ส่วนต่างๆ จากตัวอย่างการตัดไตถูกย้อมด้วย PAS สแกนเข้าไปใน WSI และต่อมาย้อมด้วยแอนติบอดี CD34 ซึ่งเป็นเครื่องหมายของเซลล์บุผนังหลอดเลือด จากนั้นจึงสแกนใหม่ใน WSI ROI สุ่มหนึ่งร้อยเจ็ดสิบห้า (3000 × 3000 พิกเซล) ถูกดึงมาจาก WSI ที่ย้อมด้วย PAS WSI ที่ย้อมสองครั้ง PAS-CD34 ถูกใช้เป็นความจริงพื้นสำหรับการตรวจสอบความถูกต้องของแนวทางการแบ่งส่วน DL สำหรับถุงน้ำดีในช่องท้อง

Histologic primitives และการแบ่งส่วนด้วยตนเอง

นักพยาธิวิทยาของไตห้าคนได้แบ่ง ROI ด้วยตนเองเพื่อสร้างความจริงพื้นฐานสำหรับการตรวจเนื้อเยื่อเบื้องต้น (ตารางที่ 2) การแบ่งส่วนด้วยตนเองถูกสร้างขึ้นโดยใช้แอปพลิเคชันซอฟต์แวร์โอเพ่นซอร์ส5 คำอธิบายประกอบความจริงพื้นๆ ถูกบันทึกเป็นไบนารีมาสก์ นั่นคือแต่ละพิกเซลที่แสดงเป็นส่วนหนึ่งของฮิสโตโลจิคดั้งเดิม (พิกเซลคลาสบวกแสดงเป็นไบนารี ls) หรือไม่ (คลาสเชิงลบ) พิกเซลที่แสดงเป็นไบนารี Os) จากกระบวนการนี้ นักพยาธิวิทยาสร้างคำอธิบายประกอบ 30,048 รายการบน 1818 ROI (รูปที่ 10)

การศึกษานี้ใช้การศึกษาทางจุลพยาธิวิทยา 6 ชนิด ได้แก่ กระจุกไต หน่วยไต (กระจุกรวมกับแคปซูลของโบว์แมน) ส่วนท่อส่วนต้น ส่วนปลายท่อ หลอดเลือดแดงและหลอดเลือดแดง และเส้นเลือดฝอยในช่องท้อง ป้ายกำกับความจริงพื้นฐานที่สม่ำเสมอและมีรายละเอียดในตัวอย่างการฝึกอบรมทั้งหมดสามารถอำนวยความสะดวกในประสิทธิภาพของ DL ที่แข็งแกร่งได้อย่างมาก โดยเฉพาะอย่างยิ่งในงานแบ่งกลุ่ม 24,32,3650-4 เพื่อสร้างคำอธิบายประกอบที่สอดคล้องกันในทุกภาพ ฮิสโตโลจิคดั้งเดิมแต่ละตัวและขอบเขตของมันได้รับการกำหนดอย่างระมัดระวัง และขั้นตอนการใส่คำอธิบายประกอบสำหรับแต่ละกรณีการใช้งานที่ได้มาตรฐาน (รูปที่ S2) นอกจากนี้ แต่ละคำอธิบายประกอบที่สร้างขึ้นโดยนักพยาธิวิทยาได้รับการตรวจสอบโดยนักพยาธิวิทยาคนที่สองเพื่อประเมินคุณภาพ

สมุนไพร cistanche เป็นส่วนประกอบที่มีประสิทธิภาพสำหรับยาปรับปรุงการทำงานของไต

ไปป์ไลน์ทดลอง DL และวิธีการฝึกอบรม

ชุดข้อมูล DL WSI มากถึงสี่ตัวต่อการตรวจชิ้นเนื้อ (H&E, PAS, TRI และ SIL สำหรับแต่ละชิ้น) ถูกใช้สำหรับการแบ่งส่วนของกระจุกและหน่วยของไต และเซ็กเมนต์ของท่อส่วนปลายและส่วนปลาย เส้นเลือดฝอยในช่องท้องถูกแบ่งส่วนโดยใช้ PAS WSI เท่านั้น และหลอดเลือดแดง/หลอดเลือดแดงถูกแบ่งส่วนใน H&E, PAS และ TRI WSI เท่านั้น (ตารางที่ 2) WSI ถูกแบ่งที่ระดับผู้ป่วยออกเป็นชุดฝึกอบรม การตรวจสอบความถูกต้อง และชุดทดสอบ (อัตราส่วน 6:1:3) เครือข่ายได้รับการพัฒนาโดยใช้ WSI ของผู้ป่วยทั้งผู้ใหญ่และเด็ก (รูปที่ S1) เสริม สำหรับการฝึกอบรมเกี่ยวกับเครือข่าย U-Net นักพยาธิวิทยาจำนวน 5 คนได้บันทึกหมายเหตุเกี่ยวกับกระจุกและหน่วยของกระจุกไต 1196 ชิ้น ส่วนของท่อส่วนปลาย 4669 และส่วนปลาย 2285 เส้นเลือดฝอย 19,280 เส้นเลือดฝอย และหลอดเลือดแดง/หลอดเลือดแดง 2261 อัน (ตารางที่ 2)

การกำหนดค่าเครือข่ายและการฝึกอบรม สถาปัตยกรรม U-Net มาตรฐานพร้อมพารามิเตอร์ที่ปรับแต่งเล็กน้อยถูกนำไปใช้ในเฟรมเวิร์ก PyTorch สำหรับการฝึกอบรมของแต่ละกรณีการใช้งาน (ภาพที่ l1) รายละเอียดการกำหนดค่า U-Net วิธีการฝึกอบรม รวมถึงการปรับสมดุลชุดการฝึกและการเพิ่มข้อมูลสามารถพบได้ใน S3 เพิ่มเติม

Detection and segmentation metrics. Detection and segmentation results were evaluated using F-Score, true positive rate/Values of (TPR), positive predictive value (PPV),and DSC. 0 and 1 represent the maximal discordance and agreement, respectively, between the pathologist ground truth and the U-Net results. TPR, PPV, and F-Score measure the detection accuracy of the DL networks. These metrics are computed using the number of correct segmentation results(true positives), incorrect segmentations(false positives), and missing segmentations(false negatives). DSC is the pixel wise spatial overlap index that measures the segmentation accuracy of the classifier, with values ranging from 0(indicating no spatial overlap between ground truth annotation and corresponding DL output mask) to 1(indicating complete overlap), and a DSC value >0.5 หมายถึงการแบ่งส่วนที่ถูกต้อง (ผลบวกจริง)

จำนวนตัวอย่างการฝึกอบรมสำหรับเนื้อเยื่อพื้นฐานที่แตกต่างกัน

เพื่อทดสอบว่าจำนวนของตัวอย่างการฝึกอบรมที่เขียนหมายเหตุประกอบด้วยตนเองมีอิทธิพลต่อประสิทธิภาพของเครือข่ายอย่างไร เราจึงเลือกชุดตัวแทนของฮิสโตโลจิคัลดั้งเดิมโดยพิจารณาจากขนาด ความซับซ้อน การกระจาย และรอยเปื้อน:โกลเมอรูลาร์กระจุกบน H&E, เส้นเลือดฝอยในช่องท้องบน PAS, ส่วนปลายของท่อบน TRI และ หลอดเลือดแดง/หลอดเลือดแดงบน SIL โดยเฉพาะอย่างยิ่ง เราพยายามประเมินจำนวนตัวอย่างที่มีหมายเหตุประกอบขั้นต่ำสำหรับการยืนขึ้นโมเดล U-Net ที่ผ่านการฝึกอบรมสำหรับฮิสโตโลจิคดั้งเดิมแต่ละประเภท ด้วยเหตุนี้ U-Net หลายรุ่นจึงได้รับการฝึกอบรมสำหรับประเภทดั้งเดิมแต่ละประเภท แต่ละครั้งจะมีตัวอย่างที่มีคำอธิบายประกอบจำนวนมากขึ้น จากนั้นจึงคำนวณความแม่นยำในการตรวจจับและการแบ่งส่วนสำหรับแบบจำลอง U-Net แต่ละตัวสำหรับแต่ละรุ่นพื้นฐานในชุดการทดสอบที่เกี่ยวข้อง (รูปที่ 8)

ประโยชน์ cistanche: รักษาโรคภัยไข้เจ็บ

หมายเหตุ: Cistanche เป็นสมุนไพรพื้นบ้านที่รู้จักกันดีสำหรับโรคไต cistanche มีส่วนประกอบหลักที่มีประสิทธิภาพเช่น echinacoside และ acteoside ซึ่งสามารถบำรุงไตและปรับปรุงการทำงานของไต ใน 《SHENGNONG MEDICA express cistanche ถูกบันทึกเป็นสมุนไพรชั้นยอดสำหรับวัตถุประสงค์ในการปรับปรุงการทำงานของ kindey