การประยุกต์ใช้การเรียนรู้เชิงลึกสําหรับการแบ่งส่วนอัตโนมัติของดั้งเดิมทางจุลกายวิภาคของไต

ติดต่อ : ออเดรย์ Hu (Whatsapp : 008613880143964) อีเมล์ :audrey.hu@wecistanche.com

ส่วนที่ 2. : การพัฒนาและประเมินการแบ่งส่วนตามการเรียนรู้เชิงลึกของโครงสร้างทางจุลกายวิภาคในเยื่อหุ้มสมองไตที่มีคราบทางจุลกายวิภาคหลายจุด

แคทเธอรีน พี.จายาปันเดียน, อี้เหลียง เฉิน,แอนดรูว์ อาร์.

การประยุกต์ใช้การเรียนรู้เชิงลึกสําหรับการแบ่งส่วนอัตโนมัติ (การกําหนดขอบเขต) ของดั้งเดิมทางจุลกายวิภาค (โครงสร้าง) จากภาพสไลด์ทั้งหมดสามารถอํานวยความสะดวกในการจัดตั้งโปรโตคอลใหม่สําหรับการประเมินการตรวจชิ้นเนื้อไต ที่นี่เราได้พัฒนาและตรวจสอบเครือข่ายการเรียนรู้เชิงลึกสําหรับการแบ่งส่วนของโครงสร้างทางจุลกายวิภาคในการตรวจชิ้นเนื้อไตและโรคไต สําหรับการพัฒนาเราได้ตรวจสอบการตรวจชิ้นเนื้อ 125 ชิ้นสําหรับโรคการเปลี่ยนแปลงน้อยที่สุดที่รวบรวมได้จากศูนย์ลงทะเบียน NEPTUNE 29 แห่งพร้อมกับภาพสไลด์ทั้งหมด 459 ภาพเปื้อนด้วย Hematoxylin & Eosin (125), Periodic Acid Schiff (125), Silver (102) และ Trichrome (107) แบ่งออกเป็นชุดฝึกอบรมการตรวจสอบและการทดสอบ (อัตราส่วน 6: 1: 3) โครงสร้างทางจุลกายวิภาคถูกแบ่งส่วนด้วยตนเอง (คําอธิบายประกอบทั้งหมด 30048) โดยนักไตวิทยาห้าคน โมเดลการเรียนรู้เชิงลึกยี่สิบแบบได้รับการฝึกฝนด้วยการขยายผลแบบดิจิตอลที่เหมาะสมที่สุดทั่วทั้งโครงสร้างและคราบสกปรก ภาพสไลด์ทั้งแบบที่ย้อมสีด้วยกรดเป็นระยะๆ ทําให้เกิดความสอดคล้องกันที่ดีที่สุดระหว่างนักพยาธิวิทยาและการแบ่งส่วนการเรียนรู้เชิงลึกทั่วทั้งโครงสร้าง (F-scores:0.93 สําหรับกระจุกไต,0.94 สําหรับกระจุกของไตบวกแคปซูลของ Bowman, 0.91 สําหรับท่อใกล้เคียง,0.93 สําหรับส่วนท่อส่วนปลาย,0.81 สําหรับเส้นเลือดฝอย peritubular และ 0.85 สําหรับหลอดเลือดแดงและหลอดเลือดแดง afferent) กําลังขยายแบบดิจิตอลที่เหมาะสมที่สุดคือ 5X สําหรับกระจุก/กระจุกของไตบวกแคปซูลของ Bowman, 10X สําหรับท่อใกล้เคียง/ส่วนปลาย, หลอดเลือดแดงและหลอดเลือดแดง afferent และ 40X สําหรับเส้นเลือดฝอย peritubular ภาพสไลด์ทั้งภาพสีเงินที่ย้อมสีให้ประสิทธิภาพการเรียนรู้เชิงลึกที่แย่ที่สุด ดังนั้นการศึกษาที่ใหญ่ที่สุดจนถึงปัจจุบันนี้จึงได้ปรับการเรียนรู้เชิงลึกสําหรับการแบ่งส่วนของโครงสร้างทางจุลกายวิภาคของไตในหลายคราบและห้องปฏิบัติการพยาธิวิทยา ข้อมูลทั้งหมดที่ใช้สําหรับการฝึกอบรมและการทดสอบและบทแนะนําออนไลน์โดยละเอียดจะเปิดเผยต่อสาธารณะ

สมุนไพรปรับปรุงการทํางานจริง:cistanche

คลิกที่นี่เพื่อดูส่วนที่ 1

การอภิปราย

การประเมินการตรวจชิ้นเนื้อไตมีลักษณะเฉพาะเมื่อเทียบกับตัวอย่างพยาธิวิทยาการผ่าตัดอื่น ๆ เนื่องจากความหลากหลายของคราบที่ใช้เป็นประจํา การประเมินทางสัณฐานวิทยาขึ้นอยู่กับคุณภาพของการเตรียมการความเชี่ยวชาญของนักพยาธิวิทยาในการตรวจจับโครงสร้างแต่ละอย่างและการเปลี่ยนแปลงที่เกี่ยวข้องและตัวชี้วัดเชิงปริมาณหรือกึ่งโภชนาการที่ใช้ในการจับขอบเขตของความเสียหายของเนื้อเยื่อ การประเมินเชิงปริมาณทางจุลกายวิภาคด้วยภาพเช่นการนับการกระจายและสัณฐานวิทยาของดึกดําบรรพ์ทางจุลกายวิภาคบางอย่างเป็นที่ทราบกันดีว่าเป็นตัวทํานายผลลัพธ์ที่แข็งแกร่งสําหรับโรคไตต่างๆ 10,17-23 อย่างไรก็ตามการวิเคราะห์เชิงปริมาณยังคงเป็นความท้าทายสําหรับสายตามนุษย์ บางส่วนของดึกดําบรรพ์เหล่านี้ (เช่นเส้นเลือดฝอย peritubular) ไม่สามารถวัดได้ด้วยสายตาหรือ manully และรับประกันความช่วยเหลือของอัลกอริทึมการคํานวณ การศึกษาล่าสุดชี้ให้เห็นว่าเครื่องมือคอมพิวเตอร์วิทัศน์สามารถทําหน้าที่เป็นเครื่องมือคัดกรองและสนับสนุนการตัดสินใจสําหรับการวินิจฉัยโรคด้วยพยาธิวิทยาดิจิทัล

24 ~ 27

ดังนั้นเครื่องมือวิเคราะห์ภาพอัตโนมัติจึงจําเป็นต้องถูกนําไปใช้และรวมเข้ากับเวิร์กโฟลว์พยาธิวิทยาเพื่อการแบ่งส่วนดั้งเดิมทางจุลกายวิภาคที่มีประสิทธิภาพและเชื่อถือได้ในคราบหลายประเภท เครื่องมือแบ่งส่วน DL สามารถอํานวยความสะดวกอย่างมากในการได้มาซึ่งไม่เพียง แต่ภาพเท่านั้น แต่ยังรวมถึงคุณสมบัติทางฮิสโตมอร์โฟเมตริกแบบ subvisual (เช่นรูปร่างพื้นผิวและลักษณะกราฟ) สําหรับความสัมพันธ์กับการวินิจฉัยและผลลัพธ์ 280 การศึกษานี้พยายามที่จะจัดการกับความท้าทายของพยาธิวิทยาไตเชิงคํานวณสําหรับการสอบสวนเนื้อเยื่อขนาดใหญ่โดยให้อัลกอริทึม DL สําหรับคําอธิบายประกอบอย่างละเอียดของ 6 ดั้งเดิมทางจุลกายวิภาคบนเนื้อเยื่อไตของโรคที่มีการเปลี่ยนแปลงน้อยที่สุด (MCD) ใช้ภาพสไลด์ทั้งหมด (WSIs) ของ 4 คราบและสร้างขึ้นในศูนย์ลงทะเบียนเนปจูน 29 แห่ง ในช่วงไม่กี่ปีที่ผ่านมาการศึกษาหลายชิ้นได้แสดงให้เห็นถึงประโยชน์ของเครือข่าย DL สําหรับการวิเคราะห์ภาพระดับต่ํา (เช่นการตรวจจับการแบ่งส่วนและการจําแนกประเภทของดั้งเดิมทางจุลกายวิภาค) และการพยากรณ์โรคที่ซับซ้อนในระดับสูงและงานทํานาย 1-35 การศึกษาของเราเป็นการศึกษา DL ที่ใหญ่ที่สุดและครอบคลุมเกี่ยวกับการตรวจชิ้นเนื้อไตนําเสนออัลกอริทึมที่พัฒนาขึ้นบนคราบต่างๆและใช้ภาพที่มีคําอธิบายประกอบจํานวนมาก เมื่อเทียบกับที่เผยแพร่ก่อนหน้านี้ ข้อสรุปหลักและ fifindings ที่มีความหมายจากงานของเราจะถูกอธิบายต่อไป

เปรียบเทียบกับวรรณกรรมปัจจุบัน

ความแตกต่างระหว่างการศึกษาก่อนหน้านี้36–44 และผลงานของเราสรุปไว้ในรูปเสริม S6

การศึกษาที่ตีพิมพ์ก่อนหน้านี้มุ่งเน้นไปที่ดั้งเดิมทางจุลกายวิภาคเดียวและคราบเดียว ตัวอย่างเช่น Marsh et al. ประเมิน CNNs สําหรับการตรวจหา glomerulosclerosis ทั่วโลกในส่วนแช่แข็งของไตที่ปลูกถ่ายที่เปื้อนด้วย H&E36; Kanna et al. ประเมิน CNNs เพื่อแยกแยะ glomeruli ปกติแบ่งส่วนและทั่วโลกจาก trichrome ย้อมสีฟอร์มาลิน fifixed และ paraffifin ฝังไตมาตรา 37; Gallego et al. ใช้ DL เพื่อตรวจจับ glomeruli ในส่วนที่เปื้อน PAS; เบล

การศึกษาที่ตีพิมพ์ก่อนหน้านี้มุ่งเน้นไปที่ดั้งเดิมทางจุลกายวิภาคเดียวและคราบเดียว ตัวอย่างเช่น Marsh et al. ประเมิน CNNs สําหรับการตรวจหา glomerulosclerosis ทั่วโลกในส่วนแช่แข็งของไตที่ปลูกถ่ายที่เปื้อนด้วย H&E36; Kanna et al. ประเมิน CNNs เพื่อแยกแยะ glomeruli ปกติแบ่งส่วนและทั่วโลกจาก trichrome ย้อมสีฟอร์มาลิน fifixed และ paraffifin ฝังไตมาตรา 37; Gallego et al. ใช้ DL เพื่อตรวจจับ glomeruli ในส่วนที่เปื้อน PAS; Bel et al. แสดงให้เห็นถึงการแบ่งส่วนของโครงสร้างทางจุลกายวิภาคปกติและพยาธิวิทยาโดยใช้ PASIs ย้อมสี WSIs ของเนื้อเยื่อเยื่อหุ้มสมองไต Temerinac Ott et al. สาธิตวิธีการ DL เพื่อปรับปรุงการตรวจจับไตในการย้อมสี 1 ครั้งโดยใช้ผลลัพธ์จากส่วนที่เปื้อนต่างกันของเนื้อเยื่อเดียวกัน 1 เครือข่าย DL ของเราบนคราบทั้ง 4 คราบเป็นขั้นตอนแรกสําหรับการปรับใช้ทางคลินิกในอนาคตเพื่อให้สามารถตรวจจับแบ่งส่วนและในที่สุดก็หาปริมาณของดั้งเดิมทางจุลกายวิภาคปกติหลายอย่างในทุกคราบที่ใช้เป็นประจําเพื่อวัตถุประสงค์ในการวินิจฉัย

องค์ประกอบที่สําคัญอีกประการหนึ่งที่ต้องพิจารณาก่อนใช้งานในเครือข่าย DL ขนาดใหญ่คือวิธีที่สามารถนําไปใช้กับชุดข้อมูลที่แตกต่างกันได้ รุ่น DL ของเราได้รับการฝึกฝนและทดสอบในชุด WSIs ที่แตกต่างกันมากโดยมีรูปแบบการวิเคราะห์ล่วงหน้าในการได้มาซึ่งเนื้อเยื่อการแปรรูปและการเตรียมสไลด์โดยใช้คราบ 4 คราบจึงอํานวยความสะดวกในการประเมินการบังคับใช้วิธีการ DL อย่างเข้มงวดในการตั้งค่าหลายไซต์

มีการใช้วิธีการ DL ที่แตกต่างกันสําหรับการแบ่งส่วนของดั้งเดิมทางจุลกายวิภาคเช่นการประยุกต์ใช้ Gadermayr et al ของเครือข่ายลึกที่เป็นปฏิปักษ์กําเนิดสําหรับการแบ่งส่วนของไตที่เป็นอิสระจากคราบ Bel et al. ใช้เครือข่ายปฏิปักษ์เชิงกําเนิดที่สอดคล้องกัน (cycle-GANs) ในแอปพลิเคชัน DL สําหรับการแปลงคราบหลายศูนย์ Hermsen et al. ได้แสดงให้เห็นถึงการแบ่งส่วนตาม U-Net ของเนื้อเยื่อ 7 คลาสโดยใช้การตรวจชิ้นเนื้อการปลูกถ่าย 40 รายการบนคราบ PAS2 แนวทางของเราในการศึกษาครั้งนี้คือการพัฒนาเครือข่าย DL ที่ใช้ U-Net หลายเครือข่ายโดยใช้กําลังขยายแบบดิจิตอลที่เหมาะสมและจํานวนคําอธิบายประกอบที่แตกต่างกันในแบบดั้งเดิมและคราบ

ผลงานก่อนหน้านี้ทั้งหมดได้ใช้จํานวน WSIs ของการตรวจชิ้นเนื้อไต / ไตค่อนข้างน้อยเมื่อเทียบกับการศึกษาของเรา (ตารางที่ 2) การใช้ชุดข้อมูล WSI ขนาดใหญ่ช่วยให้เราสามารถให้ข้อมูลเชิงลึกแก่นักพยาธิวิทยาในการสร้างแบบอย่างการฝึกอบรมที่มีคําอธิบายประกอบอย่างดีสําหรับแต่ละแบบดั้งเดิมและคราบรวมถึงจํานวนแบบอย่างการฝึกอบรมที่จําเป็นสําหรับประสิทธิภาพของเครือข่ายที่ดีที่สุดโดยใช้ U-Net CNN (รูปที่ 8)

ความจําเพาะของการแบ่งส่วนของดั้งเดิมทางจุลกายวิภาคของแต่ละบุคคลและความผันแปรทางพยาธิวิทยาของพวกเขาเป็นสิ่งสําคัญสําหรับการปรับใช้แบบจําลอง DL ในการปฏิบัติทางคลินิก 12,43 เครือข่าย DL ที่สร้างขึ้นในงานนี้มีความเฉพาะเจาะจงกับดั้งเดิมทางจุลกายวิภาคเชิงโครงสร้างปกติเช่นที่เห็นใน MCD หรือ nephrectomies และสามารถนําไปใช้กับการตรวจชิ้นเนื้อไตทั้งผู้ใหญ่และเด็ก เมื่อเครือข่าย DL ได้รับการทดสอบบนแผ่นแปะของเนื้อเยื่อไตจากตัวอย่างไตไตความจําเพาะของเนื้อเยื่อวิทยาปกติเชิงโครงสร้างก็ยังคงอยู่ กรอบ DL ที่นําเสนอในการศึกษานี้จะช่วยให้สถาปนิกของเครือข่ายในอนาคตที่มุ่งเน้นเฉพาะการแบ่งส่วนอัตโนมัติและการประเมินของดั้งเดิมทางจุลกายวิภาคที่ผิดปกติโครงสร้างและความสัมพันธ์กับผลลัพธ์ทางคลินิก

ปรับปรุงการทํางานของไต: สารสกัดจาก cistanche tubulosa

การจัดอันดับตาม DL ของคราบที่แตกต่างกัน

การศึกษาของเราชี้ให้เห็นว่าคราบ PAS เหมาะที่สุดสําหรับการระบุดั้งเดิมทางจุลกายวิภาคเชิงโครงสร้างปกติโดยใช้แบบจําลอง U-Net นี่อาจเป็นเพราะ PAS ดูเหมือนจะเป็นเนื้อเดียวกันมากขึ้นอย่างต่อเนื่องในห้องปฏิบัติการพยาธิวิทยาเมื่อเทียบกับ TRI หรือ SIL WSIs ที่ย้อมสี PAS เน้นเยื่อหุ้มชั้นใต้ดินของโครงสร้างที่แตกต่างกันซึ่งจะให้คําจํากัดความที่เหนือกว่าของขอบเขตของแต่ละดั้งเดิมที่จะแบ่งส่วน ด้วยเหตุนี้ PAS จึงเป็นคราบเดียวที่ใช้สําหรับการแบ่งส่วนของเส้นเลือดฝอยในช่องท้อง จากผลลัพธ์ของเราคราบ PAS และ H&E แสดงให้เห็นถึงประสิทธิภาพที่ดีขึ้นสําหรับการแบ่งกระจุกและการแบ่งส่วนหน่วยของไต PAS และ TRI สําหรับหลอดเลือดแดง / หลอดเลือดแดง PAS และ SIL สําหรับส่วนท่อและ PAS สําหรับเส้นเลือดฝอย peritubular กําลังขยายแบบดิจิตอลที่เหมาะสมที่สุดสําหรับรุ่น DL

ผลการวิจัยของเราชี้ให้เห็นว่าด้วยขนาดแพทช์แบบรวมที่ 256 ×256 การขยายที่เหมาะสมที่สุดสําหรับรุ่น DL คือ 5×สําหรับ glomeruli,10× สําหรับท่อและเรือและ 40×สําหรับเส้นเลือดฝอย (รูปที่ 1) ที่น่าสนใจคือกําลังขยายที่เหมาะสมที่สุดส่วนใหญ่สอดคล้องกับการขยายที่นักพยาธิวิทยามักใช้เมื่อใส่คําอธิบายประกอบดั้งเดิมของแต่ละบุคคลยกเว้น glomeruli ที่นักพยาธิวิทยาใช้ 15× ถึง 20× โครงสร้างขนาดใหญ่เช่น glomeruli, tubules และเรือถูกแบ่งส่วนอย่างแม่นยํามากขึ้นโดยเครือข่ายที่ 5× ถึง 10×การขยายโดยไม่คํานึงถึงคราบ สําหรับโครงสร้างขนาดเล็กเช่นเส้นเลือดฝอย peritubular จําเป็นต้องมีกําลังขยายดิจิตอลขนาดใหญ่ขึ้น (40×) เพื่อการแบ่งส่วน DL ที่แม่นยํา

ประสิทธิภาพการแบ่งส่วน DL ในไซต์และสิ่งประดิษฐ์ความแตกต่างของการเตรียมเนื้อเยื่อและการขาดมาตรฐานของการวิเคราะห์มีความเกี่ยวข้องโดยเฉพาะอย่างยิ่งสําหรับการศึกษาแบบหลายศูนย์ซึ่งวัสดุพยาธิวิทยาถูกรวบรวมจากห้องปฏิบัติการหลายแห่ง ตามที่คาดไว้มีความแตกต่างในการนําเสนอเนื้อเยื่อและแก้วเนื้อเยื่อและสิ่งประดิษฐ์การสแกนถูกสังเกตโดยแต่ละชิ้นมีส่วนช่วยตัวแปรในประสิทธิภาพของ DL ตัวอย่างเช่น แม้ว่าสิ่งประดิษฐ์เนื้อเยื่อทั่วไปจะมีผลกระทบอย่างจํากัดต่อเครือข่าย DL แต่ความหนาของส่วนนั้นดูเหมือนจะส่งผลต่อประสิทธิภาพการทํางาน ผลกระทบของสิ่งประดิษฐ์แต่ละชิ้นก็สัมพันธ์กับซากดึกดําบรรพ์ทางจุลกายวิภาคเช่นกัน ตัวอย่างเช่น สิ่งประดิษฐ์แก้วแสดงผลกระทบด้านลบเล็กน้อยต่อประสิทธิภาพของ DL สําหรับหลอดเลือดแดง/หลอดเลือดแดงและท่อใกล้เคียง

นอกจากนี้ยังมีความแปรปรวนในประสิทธิภาพของ DL ทั่วทั้งไซต์ และความแปรปรวนนี้ดูเหมือนจะขึ้นอยู่กับดั้งเดิมทางจุลกายวิภาค (รูปเสริม S4)

ประสิทธิภาพ DL เป็นฟังก์ชันของจํานวนผู้เป็นแบบอย่างการฝึกอบรม

ข้อมูลเชิงปริมาณของเราตรวจสอบสมมติฐานที่เข้าใจง่ายว่าจําเป็นต้องมีแบบอย่างมากขึ้นสําหรับดึกดําบรรพ์เหล่านั้นที่ยากต่อการระบุด้วยสายตา (เช่น หลอดเลือดแดง/หลอดเลือดแดงหรือหลอดเลือดแดงดั้งเดิมที่ตัดแบบ tangentially ที่ขอบของภูมิภาคที่น่าสนใจ [ROI])(รูปที่ 8) สําหรับดึกดําบรรพ์ที่มีขนาดเล็กเกินไปหรือถูกกําหนดโดย il (เช่นเส้นเลือดฝอย peritubular) จําเป็นต้องมีการดูแลจัดการและคําอธิบายประกอบซ้ําเพื่อปรับปรุงความแม่นยําของการแบ่งส่วน สําหรับการแบ่งส่วนของกระจุกไตเครือข่ายมาบรรจบกันเพื่อความแม่นยําสูงสุดด้วยจํานวนน้อย (60-183) ของตัวอย่างการฝึกอบรม ประสิทธิภาพไม่ได้ดีขึ้นด้วยการรวมตัวเป็นแบบอย่างเพิ่มเติม สําหรับการแบ่งส่วนท่อและหลอดเลือดแดง / หลอดเลือดแดงเครือข่ายที่เกี่ยวข้องแสดงให้เห็นถึงการปรับปรุงประสิทธิภาพเล็กน้อยถึงระดับกลางด้วยจํานวนตัวอย่างที่เพิ่มขึ้น ในทางตรงกันข้ามการเพิ่มขึ้นอย่างมีนัยสําคัญของ F-score และ DSC (0.27-0.81) ถูกสังเกตด้วยจํานวนผู้เป็นแบบอย่างของเส้นเลือดฝอย peritubular เพิ่มขึ้น 2.5 เท่าขอบเขตเชิงเส้นของ F-score ที่เพิ่มขึ้นซึ่งบ่งบอกถึงความแม่นยําที่ดียิ่งขึ้นด้วยแบบอย่างที่มากขึ้น

การตีความผลการแบ่งกลุ่ม

พบผลบวกปลอมเพียงไม่กี่อย่างในพื้นที่ที่สนใจด้วยสิ่งประดิษฐ์ (เช่น รอยพับ tssue การย้อมสีที่ไม่สม่ําเสมอ) ซึ่งบ่งบอกถึงความจําเป็นในการประเมินคุณภาพดิจิทัลของภาพนิ่งก่อนที่จะมีการเรียกแบบจําลองการคํานวณ (รูปเสริม S4) ใน ROIs ไม่กี่ตัว DL ดูเหมือนจะมีประสิทธิภาพเหนือกว่านักพยาธิวิทยา ตัวอย่างเช่น เมื่อหลอดเลือดแดง/หลอดเลือดแดงส่วนเล็ก ๆ อยู่ที่ขอบของ ROIs และไม่ได้ใส่คําอธิบายประกอบด้วยตนเองว่าเป็นความจริงภาคพื้นดินโดยนักพยาธิวิทยาเนื่องจากตรวจพบได้ยาก สิ่งนี้สามารถอธิบายได้โดยโปรโตคอลที่ใช้สําหรับการแบ่งส่วนของหลอดเลือดแดงซึ่งนักพยาธิวิทยารวมเฉพาะหลอดเลือดแดงที่ผนัง (สื่อ tunica และ intima) และลูเมนสามารถมองเห็นได้และแบ่งขอบเขตด้านนอกของสื่อ tunica ดังนั้นแบบจําลองที่ได้รับการฝึกฝนให้ตรวจจับสื่อ tunica และ intima ของหลอดเลือดแดงจึงระบุชิ้นส่วนเล็ก ๆ ของสื่อ tunica ได้อย่างถูกต้อง (ผนังหลอดเลือดแดง / หลอดเลือดแดงที่ถูกตัดแทนกัน) เป็นหลอดเลือดแดง / หลอดเลือดแดงแม้จะไม่มีลูเมน (รูปที่ 9)

นอกจากนี้ tubules ในส่วนการตรวจชิ้นเนื้อไตมักพบเห็นได้บ่อยในแนวขวางมากกว่าส่วนตามยาว ลักษณนามเริ่มต้นพลาดท่อที่แบ่งตามยาวบางส่วนซึ่งส่วนใหญ่อยู่ในภาพเปื้อน H&E เนื่องจากขอบเขตของท่อมีความคมชัดน้อยกว่าและท่อที่แบ่งตามยาวถูกมองข้ามในชุดการฝึกครั้งแรก เพื่ออํานวยความสะดวกและปรับปรุงกระบวนการของคําอธิบายประกอบและเครือข่ายข้อผิดพลาดเชิงลบที่ผิดพลาดที่เกี่ยวข้องกับการแบ่งส่วน U-Net ของ tubules ได้รับการระบุด้วยสายตาและปรับแต่งด้วยตนเองโดยนักพยาธิวิทยาและคําอธิบายประกอบที่อัปเดตจะถูกส่งกลับไปยังเครือข่าย หลอดเลือดแดงเล็ก ๆ สองสามตัวยังถูกระบุอย่างไม่ถูกต้องว่าเป็นท่อส่วนปลายโดยอัลกอริทึม DL (ผลบวกปลอม) ในระหว่างการทําซ้ําครั้งแรก คําอธิบายประกอบเชิงบวกที่ผิดพลาดเหล่านี้ถูกลบออกโดยนักพยาธิวิทยาเมื่อตรวจสอบเอาต์พุตตัวจําแนกเริ่มต้นและภาพที่แก้ไขแล้วจะถูกส่งกลับไปยังเครือข่ายเพื่อฝึกใหม่โดยไม่ต้องเปลี่ยนการตั้งค่าการทดลองหรือพารามิเตอร์เครือข่ายเพื่อกําจัดผลบวกปลอมและข้อผิดพลาดเชิงลบของอัลกอริทึม DL45

ตามแนวทางการแบ่งปันในปัจจุบันด้วยรายงานนี้เรากําลังทําให้ข้อมูลทั้งหมดของเราและคําอธิบายประกอบความจริงพื้นฐานที่เปิดเผยต่อสาธารณะสําหรับชุมชน วัสดุเสริมออนไลน์ที่ปล่อยออกมาเป็นส่วนหนึ่งของงานนี้คาดว่าจะก้าวหน้าในด้านพยาธิวิทยาของไตคํานวณและให้แนวทางปฏิบัติที่ดีที่สุดสําหรับการสร้างคําอธิบายประกอบ, การเสริม, การขยายและคราบที่แนะนําเพื่อดําเนินงานแบ่งส่วนอย่างเหมาะสม.

โดยสรุปการศึกษานี้แสดงถึงรากฐานที่มั่นคงในการเรียกตัวจําแนกแมชชีนเลิร์นนิงเพื่อช่วยในความพยายามในการหาปริมาณเนื้อเยื่อขนาดใหญ่และการนําโปรโตคอลเชิงโต้ตอบของมนุษย์เครื่องจักรไปใช้ในขั้นตอนการทํางานทางคลินิกและพยาธิวิทยา การแบ่งส่วน DL ของดั้งเดิมทางจุลกายวิภาคช่วยให้สามารถคํานวณได้มาจากคุณสมบัติทางฮิสโตมอร์โฟเมตริกเพื่อเปิดใช้งานการตีความการตรวจชิ้นเนื้อ นอกจากนี้กรอบที่นําเสนอในงานนี้ยังจะปูทางสําหรับการพัฒนาเครือข่าย DL ใหม่ในอนาคตที่มุ่งเฉพาะต่อ (i) ดั้งเดิมทางจุลกายวิภาคที่ผิดปกติหรือพยาธิวิทยา (เช่นเส้นโลหิตตีบทั่วโลกและเซ็กเมนต์, คุณสมบัติการแพร่กระจายของไต, การรวบรวมท่อ, หลอดเลือดดําและเส้นประสาทส่วนปลาย, ฝ่อท่อ, พังผืดคั่นระหว่างหน้าและภาวะหลอดเลือดแข็งตัว), (ii) และ (2) โรคในวงกว้าง นอกจากนี้ วิธีการใหม่เหล่านี้ยังสามารถปูทางไปสู่การพัฒนาเครื่องมือแมชชีนเลิร์นนิงที่ให้การพยากรณ์โรค หรือแม้แต่อํานวยความสะดวกในการค้นพบการทํานายการตอบสนองการรักษา4 ของพยาธิวิทยาเชิงคํานวณที่สามารถดําเนินการได้ทางคลินิกและไม่ทําลายตามตัวบ่งชี้ทางชีวภาพในการวินิจฉัยด้วยภาพสําหรับไต 25,27,48 โรค2

Cistanche มีประสิทธิภาพสําหรับโรคไต

หมายเหตุ: cistanche เป็นสมุนไพรโทบิกที่เติบโตในทะเลทราย เรียกอีกอย่างว่าสมุนไพรมังกรและโสมทะเลทราย cistanche มีผลกระทบมากมายที่ดีสําหรับสุขภาพของมนุษย์ตามการศึกษา parmocological, เช่นการปรับปรุงภูมิคุ้มกัน, ป้องกันความเมื่อยล้าและปรับปรุงการทํางานของไตฯลฯ. เฉิงตู wecistanhce จะมุ่งเน้นไปที่การจัดหาผลิตภัณฑ์ cistanche คุณภาพพรีเมี่ยม