AbstrakLatar Belakang Tujuan dari Kecerdasan Buatan diJaringan Parut Ginjal(AIRS) adalah untuk mengembangkan alat pembelajaran mesin untuk kuantifikasi non-invasiffibrosis ginjaldari pemindaian pencitraan. Metode Kami melakukan analisis retrospektif terhadap pasien yang menjalani satu atau lebih pemindaian tomografi komputer (CT) perut dalam waktu 6 bulan setelah pemeriksaan.biopsi ginjal. Kelompok terakhir mencakup 152 CT scan dari 92 pasien, termasuk gambar 300 ginjal asli dan 76transplantasi ginjal. Dua konvolusional yang berbedajaringan saraf(pengklasifikasi tingkat irisan dan tingkat voxel) diuji untuk membedakan parah versus ringan/sedangfibrosis ginjal($50% versus,50%).Fibrosis interstisialdan skor atrofi tubular daribiopsi ginjallaporan digunakan sebagai kebenaran dasar. Hasil Kedua model pembelajaran mesin menunjukkan nilai prediksi positif yang serupa ({{0}}.886 versus 0.935) dan akurasi (0.831 versus 0.879). Kesimpulan Singkatnya, algoritma pembelajaran mesin adalah alat diagnostik non-invasif yang menjanjikanmengukur fibrosis ginjaldari CT scan. Kegunaan klinis dari alat prediksi ini, dalam hal menghindari biopsi ginjal dan risiko perdarahan terkait pada pasien dengan fibrosis berat, masih harus divalidasi dalam uji klinis prospektif.
BERAPA LAMA CISTANCHE BEKERJA UNTUK PASIEN GINJAL?
Perkenalan
Biopsi ginjal perkutan yang dipandu USG tetap menjadi standar perawatan ketika diagnosis histologis diperlukan untuk memandu pengelolaan proteinuria, hematuria mikroskopis, penolakan transplantasi, atau disfungsi ginjal yang tidak dapat dijelaskan (1,2). Derajat fibrosis ginjal atau tingkat keparahan CKD seringkali tidak diketahui pada saat biopsi ginjal (3). Biopsi ginjal yang menunjukkan fibrosis parah (0,50%) dapat memperjelas diagnosis penyakit namun kemungkinan besar tidak akan mengubah penatalaksanaan klinis dan menempatkan pasien pada risiko perdarahan terkait prosedur (4). Komplikasi pasca biopsi berkisar dari hematuria sementara hingga perdarahan yang mengancam jiwa dan berkorelasi dengan faktor risiko yang mencakup peningkatan tekanan darah, usia lanjut, anemia, jumlah trombosit yang rendah, penurunan fungsi ginjal, dan kelainan hemostasis (5). Meta-analisis terbaru terhadap 118,{17}}64 biopsi ginjal yang dipandu USG melaporkan tingkat kejadian transfusi darah, intervensi angiografi, dan kematian masing-masing sebesar 2%, 0,3%, dan 0,06% (6).
Menilai tingkat keparahan CKD sangat penting ketika mempertimbangkan risiko dan manfaat biopsi ginjal, namun alat non-invasif untuk mengevaluasi tingkat fibrosis masih belum dikembangkan (7). Studi yang mengeksplorasi teknik USG (termasuk pencitraan kecepatan gelombang geser, elastografi transien, elastografi real-time, sonografi Doppler, dan strain kortikomedullary USG) telah mencatat korelasi yang tidak konsisten dengan derajat fibrosis pada histologi ginjal (3,8,9). Selain itu, metode ini sangat bergantung pada faktor eksternal, seperti tekanan darah, berat ginjal, berat badan, dan gaya transduser yang diterapkan, belum lagi variabilitas intra dan interobserver yang tinggi (3). Sebuah laporan baru-baru ini menemukan korelasi erat antara keduanyaukuran ginjal yang ditentukan USG dengan perkiraan fungsi ginjal (eGFR) tetapi tidak dinilaiginjalfibros(10). Kirpalani dkk. melaporkan bahwa elastografi pencitraan resonansi magnetik menjanjikan dalam hal mengkorelasikan skor kekakuan dengan fibrosis ginjal (11), namun tidak mengeksplorasi alat pembelajaran mesin sebagai sarana untuk mengoptimalkan akurasi prediksi.
Computed tomography (CT) memungkinkan pencitraan jaringan ginjal beresolusi tinggi dengan paparan radiasi minimal pada pasien (7). Teknologi pembelajaran mesin dalam kombinasition dengan pencitraan CT adalah jalan yang menjanjikan bagi mereka yang tidakpenilaian invasif pada ginjalfibrosis, bukannya saat inistandar perawatan histologis. Pembelajaran mendalam bersifat konvolusionaljaringan saraf (CNN) adalah bentuk pembelajaran mesin yang baruing, yang dapat mengisolasi pola-pola yang relevan darinyatologi, pencitraan, atau data klinis lainnya yang berguna untuk penyakit
karakterisasi (12,13). Teknologi CNN untuk diagnostik telah dieksplorasi dalam berbagai situasi, mulai dari perdarahan intrakranial dan kanker hingga pneumonia dan penyakitradang usus buntu (14-17).
Tujuan dari penelitian Artificial Intelligence in Renal Scarring (AIRS) adalah untuk mengembangkan alat CNN untuk mengukur fibrosis ginjal sebagai alternatif diagnostik berbantuan komputer untuk biopsi ginjal. Dua algoritma CNN (pengklasifikasi tingkat irisan dan tingkat voxel) dilatih untuk menganalisis pencitraan CT ginjal asli dan ginjal transplantasi untuk mengklasifikasikan tingkat fibrosis, berdasarkan skor fibrosis kebenaran dasar dari biopsi ginjal pada pasien yang sama. Dalam analisis percontohan ini, kami berfokus pada menggambarkan fibrosis ringan/sedang versus berat (,50% versus $50%) sebagai dikotomi yang relevan secara klinis yang mungkin berguna bagi ahli nefrologi yang mempertimbangkan biopsi ginjal untuk pasiennya. Kami menunjukkan bahwa algoritma CNN dapat membedakan fibrosis ginjal yang parah dan ringan/sedang dengan tingkat akurasi yang tinggi
Bahan dan metode
Basis Data Pasien Ini adalah analisis retrospektif biopsi ginjal yang dilakukan di Pusat Medis Irvine Universitas California antara tahun 2014 dan 2019. Kami mengidentifikasi pasien dengan CT scan perut senilai $1 yang diselesaikan dalam waktu 6 bulan setelah biopsi ginjal. Setelah skrining awal sistem rekam medis, 42 pasien yang menjalani pencitraan dikeluarkan karena alasan berikut: CT scan dilakukan di luar periode inklusi (0,6 bulan sejak tanggal biopsi, n53); pencitraan resonansi magnetik perut tetapi tidak ditemukan CT pada sistem (n56); pasien secara tidak sengaja melewatkan proses anotasi (n52); ginjal asli tidak tersegmentasi pada pasien yang telah menjalani transplantasi (n51); pemindaian berkualitas rendah dengan artefak perangkat keras (n51); dan studi pencitraan luar yang tidak disimpan dalam arsip pencitraan jangka panjang (n529). Sisa 152 CT scan dari 92 pasien diunduh dan volume rekonstruksi jaringan lunak aksial diekstraksi untuk analisis lebih lanjut. Mayoritas CT scan (79%) dilakukan tanpa kontras intravena; 129 pemindaian dilakukan pada pemindai Philips, 22 pada pemindai Siemens, dan satu pada pemindai GE Medical Systems.
Seorang ahli patologi (JEZ) meninjau pasien yang dipilih secara acak untuk memastikan tingkat fibrosis didokumentasikan secara akurat dalam laporan biopsi ginjal. Pada pasien yang sumbang, ahli patologi kedua meninjau slide untuk menentukan kebenaran dasar (lihat Ucapan Terima Kasih). Tingkat kebenaran dasar fibrosis ginjal dari laporan biopsi diperlakukan sebagai hasil biner: ringan/sedang versus berat (fibrosis interstisial dan atrofi tubulus, 50% berbanding $50%). Ginjal asli pada CT scan dari pasien yang ditransplantasikan secara otomatis dinilai sebagai fibrosis parah. Demografi dan kondisi komorbiditas dikompilasi dalam database REDCap, dan gambar CT diakses seperti dijelaskan di bawah. Semua prosedur penelitian telah disetujui oleh Dewan Peninjau Institusi Universitas California Irvine.
Anotasi
CT scan dipindahkan dari Sistem Pengarsipan Gambar dan Komunikasi rumah sakit kami ke database internal yang aman. Alat anotasi berbasis web yang dipatenkan khusus digunakan untuk membuat topeng biner tiga dimensi yang sesuai dengan ginjal asli kanan dan kiri, dan transplantasi ginjal apa pun, jika ada. Alat anotasi diimplementasikan sebagai utilitas kuas sederhana tanpa fungsi ambang batas atau kontur lanjutan. Dua mahasiswa peneliti (HRT, KAPR) bertindak sebagai anotator utama, dan seorang ahli radiologi senior (PDC) kemudian meninjau setiap pasien dan menyempurnakan anotasi wilayah yang diminati jika diperlukan.
Pemrosesan Awal Gambar
Dengan menggunakan masker volume ginjal yang dianotasi sebagai templat, setiap ginjal dipotong dan diambil sampelnya ulang menjadi volume voxel 96 3 96396 isotropik. Opera pengambilan sampel ulang iniHal ini diperlukan untuk memastikan semua masukan model memiliki ukuran matriks yang sama dan untuk mengakomodasi keterbatasan memori unit pemrosesan grafis. Mengingat volumenyapertama kali dipotong pada ginjal kanan dan kiri, dan bahwa ginjal hanya merupakan sebagian kecil dari volume CT asli, ukuran voxel akhir yang diambil sampelnya serupa dalam ressolusi terhadap data asli. Setiap volume yang dipotong kemudian dinormalisasi dengan memotong semua nilai voxel ke kisaran 2150 hingga 250 Unit Hounsfield dan diskalakan dengan faktor 1:50. Setiappemeriksaan tunggal dalam kumpulan data ini dapat berisi hingga tiga ginjal yang dipotong yang digunakan untuk pelatihan algoritme: (asli) kiri, (asli) kanan, dan transplantasi. Untuk setiap anakney, total 96 gambar dua dimensi (2D) (ukuran 96396) digunakan untuk pelatihan.
Pendekatan CNN
Dua jaringan CNN 2D khusus yang berbeda diuji dan dibandingkan, untuk membedakan fibrosis ginjal parah dan ringan/sedang. Algoritma pertama merupakan standar globalpengklasifikasi CNN sepotong demi sepotong, dirancang untuk memprediksi salah satu dari tiga kategori yang saling eksklusif untuk setiap gambar 2D: tanpa ginjal, fibrosis ringan/sedang, dan fibrosis parah. Itualgoritma kedua adalah pengklasifikasi CNN tingkat piksel yang diimplementasikan melalui arsitektur U-Net yang sepenuhnya konvolusional untuk melakukan segmentasi dan klasifikasi secara simultan. Di dalam
kedua model tersebut, klasifikasi akhir mengabaikan irisan atau voxel tanpa ginjal, dan aturan mayoritas dikumpulkan berdasarkan prediksi yang tersisa. Kedua algoritma diimplementasikanmenggunakan arsitektur jaringan pemerasan dan eksitasi yang canggih, model dengan kinerja terbaik dari Tantangan Pengenalan Visual Skala Besar ImageNet pada tahun 2017 (18).Pendekatan jaringan pemerasan dan eksitasi memungkinkan jaringan untuk secara adaptif mengkalibrasi ulang respons fitur berdasarkan saluran berdasarkan masukan model yang berbeda dengan mempelajari
ing saling ketergantungan antar saluran (Gambar 1).
Gambar 1.| Peta panas prediksi yang dihasilkan oleh algoritme pembelajaran mendalam yang mengidentifikasi area yang diduga fibrosis "parah" di dalam ginjal. Dari kiri ke kanan, ginjal mulai dari fibrosis normal hingga berat ditunjukkan dengan perkiraan derajat fibrotik parenkim yang progresif. Prediksi rata-rata softmax akhir yang dinormalisasi untuk seluruh ginjal ditampilkan di baris bawah, mulai dari 0.0 hingga 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; dan 0.8–1.0.
Pengklasifikasi Irisan demi Irisan Global
Pengklasifikasi CNN global adalah arsitektur turunan VGG khusus yang diimplementasikan dengan modul eksitasi pemerasan di setiap lapisan. Masukan model adalah satu irisan 2D (96396).dan keluaran model adalah vektor logit tiga elemen yang mewakili prediksi tiga kelas. CNN terdiri dari empat blok konvolusional, dimana setiap blok didefinisikan sebagai 333konvolusi, normalisasi batch, dan ReLU diulang sebanyak tiga kali. Subsampling dilakukan pada akhir setiap blok melalui konvolusi dengan langkah dua. Setelah
empat blok konvolusional (12 lapisan), peta fitur akhir diratakan dan digunakan sebagai masukan ke dalam satu lapisan yang terhubung sepenuhnya.
Pengklasifikasi Tingkat Voxel
Pengklasifikasi CNN tingkat voxel adalah arsitektur turunan U-Net khusus yang diimplementasikan dengan modul eksitasi pemerasan di setiap lapisan (19). Masukan model berupa irisan 2D tunggal (96396) dan keluaran model berupa masker segmentasi 2D tunggal (96396) dengan prediksi tiga kelas di setiap lokasi voxel. CNN terdiri dari empat blok konvolusional yang dikontrak, di mana setiap blok didefinisikan sebagai konvolusi 333, normalisasi batch, dan Leaky ReLU yang diulang sebanyak tiga kali. Subsampling dilakukan pada akhir setiap blok melalui konvolusi dengan langkah dua. Setelah empat blok konvolusional (12 lapisan), operasi dibalik melalui arsitektur jaringan yang identik, dengan penggantian konvolusi stridden (sub-sampling) dengan transposisi konvolusional (upsampling).
Implementasi Jaringan Syaraf Tiruan
Fungsi kerugian crossentropy softmax digunakan untuk mengoptimalkan kedua model. Optimasi dilakukan dengan menggunakan teknik Adam (20) dengan laju peluruhan eksponensial, b1, dan b2, ditetapkanmenjadi {{0}},9 dan 0,999, masing-masing. Kecepatan pembelajaran disetel ke 131023. Ukuran batch disetel ke delapan, dengan total 25,000 iterasi pelatihan. Normalisasi Xavier digunakan untuk inisialisasibeban sebelum latihan (21). Kode algoritma ditulis dalam pustaka Python 3.6, TensorFlow 2.1.0, dan pustaka Keras 1.0.8. Jaringan ini dilatih pada cluster unit pemrosesan grafis internal kami, yang berisi 48 Nvidia GeForce RTX 2080 Ti dan 12 GeForce RTX Titans. Rata-rata, pengklasifikasi global dilatih selama 30 menit per eksperimen, sedangkan pengklasifikasi berbasis voxel dilatih selama 2–4 jam per eksperimen.
Evaluasi
Strategi validasi silang lima kali lipat digunakan untuk mengevaluasi proses pelatihan. Meskipun hingga tiga ginjal berbeda dari masing-masing pasien dirawat secara individual selama penelitianproses pelatihan, semua volume dari satu pasien dikelompokkan ke dalam kelompok validasi silang yang sama untuk mencegah kebocoran data. Kumpulan data dibagi 80:20 dan kemudian dilatih di80%, sedangkan 20% lainnya digunakan untuk validasi. Pelatihan diulang sebanyak lima kali dengan pembagian 80:20 yang berbeda hingga seluruh dataset tervalidasi sepenuhnya
Selain eksperimen pada seluruh kelompok data, analisis subkohor tambahan dilakukan untuk mengevaluasi potensi variabel perancu. Stratifikasi diterapkanberdasarkan status kontras intravena dan pengecualian ginjal asli yang atrofi pada pasien yang menerima transplantasi. Selanjutnya untuk mengevaluasi generalisasi model, modMereka yang dilatih secara eksklusif dari pemindai Philips dan GE divalidasi secara eksklusif dengan data dari pemindai Siemens.
Statistik
Tujuan penelitian kami adalah untuk membedakan antara fibrosis ringan/sedang dan fibrosis berat pada pencitraan CT ginjal. Aturan mayoritas digunakan dalam kedua pendekatan (global sepotong demi sepotongdan berbasis voxel) untuk menentukan tingkat keparahanfibros.Untuk mengevaluasi kinerja antara kedua pendekatan,akurasi, sensitivitas, spesifikfikota, nilai prediksi positif(PPV), dan nilai prediksi negatif (NPV) dihitungterlambat dan dibandingkan. Area di bawah penerima beroperasikurva (AUC) juga dihitung dengan memvariasikan softmaxambang batas skor untukfibrosis klasikfikation dan hasilnyakurva yang ditarik untuk kedua pendekatan untuk dibandingkan. Deskripsistatistik aktif dilaporkan sebagai rata-rata6SD.
