​Penyakit Ginjal Kronis (CKD): Apakah Anda Cocok Untuk Transplantasi Ginjal Tunggal dan Ganda?

untuk informasi lebih lanjut:ali.ma@wecistanche.com

Bagian :Jaringan saraf untuk klasifikasi glomerulus berdasarkan gambar histologis biopsi ginjal

Giacomo Donato Cascaranol, Francesco Saverio Debitontol & dkk.

Latar belakang

Penyakit ginjal kronis(CKD) adalah kondisi patologis yang ditandai dengan degenerasi fungsionalginjal. CKD (Penyakit ginjal kronis) adalah penyebab kematian ke-12, dengan hingga 1,1 juta kasus di seluruh dunia; peningkatan mortalitas terkait dengan CKD (Penyakit ginjal kronis)beberapa tahun terakhir menjadikannya salah satu penyebab kematian yang paling cepat meningkat, di samping diabetes dan demensia [1, 2].Ginjaltransplantasiadalah terapi penggantian ginjal terbaik yang terbukti lebih efektif daripada pengobatan dialisis dalam hal risiko kematian jangka panjang dan, pada saat yang sama, memiliki dampak yang berkurang pada sistem kesehatan masyarakat [3, 4].

Klik ke Cistanche NZ untuk penyakit ginjal kronis

Liyanage dkk. memperkirakan bahwa 2,6 juta orang, dalam menghadapi 4,9 juta pasien, menerima terapi penggantian ginjal di seluruh dunia pada tahun 2010, menunjukkan bahwa setidaknya 2,3 juta orang mungkin meninggal sebelum waktunya karena terapi yang tepat tidak dapat diakses [5].

Karena kebutuhan yang semakin meningkatginjaltransplantasi[6], studi yang berbeda mencoba untuk memperluas kriteria untuk menerimaginjaluntuk ditransplantasikan, yang umumnya dikecualikan berdasarkan usia donor dan karakteristik lain yang terkait dengan kualitas dan dimensiginjal[7,8].

Moore dkk. dilakukan perbandingan antara dualginjaltransplantasidari Expanded Criteria Donors (ECDs) dan singleginjaltransplantasidari ECD konkuren dan donor kriteria standar. Para penulis menilai bahwa penggunaan dualtransplantasi ginjaldari donor marjinal adalah pilihan yang layak dan fungsi ginjal dapat dicapai, asalkan keduanyaginjalditransplantasikan ke satu penerima [9].

Remuzzi dkk. mengusulkan teknik untuk menilaiginjalkondisidengan mengevaluasi biopsi histologis [10]. Kriteria evaluasi, yang dikenal sebagai skor Karpinski, mempertimbangkan evolusi (dalam persentase) dari kondisi patologis dari empat area fungsional utama: glomerulosklerosis, atrofi tubulus, fibrosis interstisial, dan sklerosis arteri. Skor ini berkisar dari 0 hingga 12, dan semakin tinggi angkanya, semakin burukkondisi ginjal [10-12]. Ginjaldengan skor Karpinski dari 0 hingga 3 dan dari 4 hingga 6 dianggap cocok untuktransplantasi tunggal dan ganda, masing-masing.

Pengobatan penyakit ginjal: cistanche dan transplantasi ginjal

Untuk menilai skor Karpinski, ahli patologi melakukan evaluasi visual dari Whole-Slide Images (WSI) histopatologi. Proses ini biasanya memakan waktu, rawan kesalahan, dan juga subjektif.

Untuk mengatasi kelemahan ini, pengembangan sistem Computer-Aided Diagnosis (CAD) berdasarkan analisis citra jaringan histopatologi untuk mendukung penghitungan skor merupakan kemajuan yang berharga.

Karya sastra terbaru menunjukkan penerapan teknik pemrosesan gambar dan pembelajaran mesin untuk menganalisisginjalhistopatologisWSI untuk deteksi dan klasifikasi glomeruli. Pendekatan pemrosesan citra bertujuan untuk mengekstrak fitur yang berarti, misalnya, yang didasarkan pada analisis bentuk dan tekstur; kemudian, algoritme pembelajaran mesin, seperti Jaringan Syaraf Tiruan (JST) dangkal atau dalam, membuat keputusan berdasarkan fitur yang diekstraksi.

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 (>70 persen) sebagai hasil.

Untuk melakukan deteksi komprehensif glomeruli dalam gambar keseluruhanginjalbagian, Kato et al. mengusulkan deskriptor baru yang disebut Segmental HOG (Histogram of Oriented Gradients)[14]. Penulis mengklaim kekokohan solusi dan output segmentasi berkualitas tinggi; lebih lanjut, penulis membandingkan HOG Segmental dengan HOG Persegi Panjang yang menunjukkan bahwa pendekatan pertama mencapai peningkatan yang signifikan dalam kinerja deteksi.

Beberapa penulis, sebaliknya, berfokus pada analisis bentuk dan warna glomeruli. Kotyk et al. mengusulkan solusi baru untuk menghadapi variasi intensitas yang luas dan inkonsistensi dalam hal bentuk dan ukuran glomeruli dalam sel darah ginjal. Pendekatan yang diusulkan, berdasarkan teknik Particles Analyzer, memungkinkan deteksi sel darah ginjal dan pengukuran diameter glomerulus dan lebar ruang Bowman berikut. Para penulis menilai bahwa pendekatan itu kuat untuk deformasi glomeruli bahkan dengan hipertrofi glomerulus [15]. Analisis efek keragaman warna dan bentuk jaringan yang signifikan pada seluruh gambar slide dilakukan oleh Zhao et al. [16]. Para penulis berfokus pada ekstraksi lebar kapsul Bowman untuk merancang kerangka ekstraksi glomerulus otomatis dari mikrograf seluruh jaringan ginjal. Sistem diuji pada jaringan ginjal primata non-manusia dengan pewarnaan Hematoxylin dan Eosin(HE).

Bukowy dkk. mengusulkan alur kerja analisis yang berbeda. Dalam [17], penulis mengembangkan jaringan saraf convolutional untuk mendeteksi glomeruli di bagian ginjal yang diwarnai trichrome. Prosedur ini diuji pada tikusginjaldan hasil yang dilaporkan mengenai klasifikasi glomeruli sehat dan rusak menunjukkan rata-rata presisi dan recall masing-masing 96,94 persen dan 96,79 persen.

Dalam karya sebelumnya oleh Bevilacqua et al, sistem CAD untuk segmentasi dan diskriminasi pembuluh darah versus tubulus dari biopsi diginjaljaringan telah dirancang dan diuji [18]. Gambar histologis dengan pewarnaan Peri-odic Acid-Schiff(PAS) telah digunakan untuk mengelompokkan Regions of Interest (ROI) dan mengekstrak fitur Haralick yang memungkinkan prosedur klasifikasi berikutnya menggunakan algoritme berdasarkan ANN. Hasil pengujian menentukan bahwa pendekatan ANN yang diawasi konsisten, memungkinkan diperolehnya kinerja klasifikasi yang baik.

Pekerjaan ini berfokus pada evaluasi otomatis dariginjalbiopsi, berurusan dengan kondisi patologis tertentu yang dipertimbangkan oleh skor Karpinski: glomerulosklerosis, yaitu. rasio antara glomeruli sclerosed dan jumlah keseluruhan glomeruli. Untuk melakukan ini, deteksi dan diskriminasi kondisi sklerotik yang mempengaruhi glomerulus dari yang non-sklerotik sangat penting. Seperti yang telah dilaporkan dalam karya-karya mutakhir, ini adalah tugas yang menantang karena variasi intensitas glomeruli yang luas dan inkonsistensi dalam bentuk dan ukuran.

pengobatan penyakit ginjal:transplantasi tunggal dan gandapenelitian

Kombinasi dari algoritma ekstraksi fitur yang berbeda telah dirancang dan dievaluasi untuk membedakan kondisi glomeruli. Literatur yang dilaporkan menunjukkan algoritma pemrosesan gambar yang spesifik dan unik yang diterapkan pada berbagai jenis pewarnaan dan WSI non-manusia. Kumpulan fitur yang diusulkan dalam karya ini, sebaliknya, berasal dari kumpulan dua keluarga algoritma ekstraktor fitur yang banyak digunakan, terkenal, dan serbaguna, fitur morfologi dan tekstur. Keluarga fitur ini juga termasuk dalam beberapa algoritma yang diusulkan dalam literatur, tetapi dalam karya ini, mereka diekstraksi dari WSI manusia dengan pewarnaan PAS. Selain itu, jalur klasifikasi, yang dirinci dalam Metode, juga mencakup prosedur untuk pengurangan fitur yang memungkinkan desain Jaringan Syaraf Tiruan dangkal. Alur kerja keseluruhan yang diusulkan dalam pekerjaan ini, dan integrasi dengan prosedur yang disajikan dalam [18], akan memungkinkan kita untuk membangun sistem CAD lengkap untuk analisis WSI histopatologis.

Hasil

Hasil yang diperoleh dengan mengevaluasi alur kerja klasifikasi yang diusulkan pada set pengujian dilaporkan. Secara khusus, hasil mengacu pada kinerja yang diperoleh dengan mempertimbangkan pengurangan kumpulan fitur yang diklasifikasikan dengan menggunakan JST dangkal yang divalidasi silang. Seperti yang dilaporkan pada Tabel 1, set tes dibentuk oleh 579 gambar glomeruli: 87 sklerotik, 492 non-sklerotik.

Untuk mengevaluasi stabilitas alur kerja, 10 run dari seluruh proses dilakukan. Hasil yang dicapai dirangkum dalam Tabel 2. Secara khusus, hasilnya dilaporkan dalam bentuk mean dan standar deviasi dari beberapa metrik, yaitu Akurasi (Persamaan 1), Presisi (Persamaan 2), Ingatan (Persamaan 3), dan Matthews Koefisien Korelasi (Persamaan.4)[19], dievaluasi menurut matriks konfusi yang dilaporkan pada Tabel 3.

Di antara iterasi, hasil terbaik dilaporkan pada Tabel 4, sedangkan matriks konfusi yang sesuai dilaporkan pada Tabel 5.

Alur kerja yang diterapkan memungkinkan klasifikasi glomeruli sklerotik dan non-sklerotik dengan kinerja yang baik (rata-rata PKS=0.95 dan Akurasi rata-rata=0.99) dan variabilitas rendah (PKS std=0.01 dan std Akurasi<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="">

Tabel 1 Konfigurasi kumpulan data	Tabel 2 Perbandingan metrik dari 10 inisialisasi jaringan

Tabel 3 Matriks Kebingungan untuk perhitungan metrik	Tabel 4 Perbandingan metrik 10 inisialisasi jaringan

Tabel 5 Confusion matrix model terbaik

Diskusi

Mengevaluasi pendekatan yang diusulkan pada set pengujian independen, alur kerja klasifikasi mencapai rata-rata MCC dan Akurasi masing-masing {{0}},95 dan 0,99, dan variabilitas rendah selama 10 iterasi independen (MCC std{{5} }.01 dan std Akurasi<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,="">

Saat menerapkan dan mengevaluasi alur kerja yang dilaporkan, kami menghadapi dan menguji masalah ketidakseimbangan data umum, yang telah diselesaikan dengan menggunakan MCC sebagai koefisien perbandingan kinerja dan kurva ROC untuk memilih ambang klasifikasi yang optimal. Hasil yang dilaporkan menunjukkan bahwa pengaturan alur kerja yang diusulkan dapat diandalkan untuk domain yang diselidiki, mendukung praktik klinis untuk membedakan dua kelas glomeruli.

Menganalisis glomeruli yang salah diklasifikasikan, kami juga menemukan bahwa gambar input yang sesuai dengan sampel yang salah diklasifikasikan menunjukkan artefak pewarnaan atau sebagian (kebanyakan di tepi); contoh umum disebutkan pada Gambar.1.Dalam praktik klinis, bagaimanapun, ahli patologi membuang gambar tersebut yang juga dapat dikecualikan dalam alur kerja yang diusulkan dengan merancang strategi untuk mendeteksi gambar sebelumnya yang dipengaruhi oleh masalah tersebut.

Pengobatan penyakit ginjal: transplantasi ginjal tunggal dan ganda

KLIK DI SINI UNTUK BAGIAN