Pengembangan Dan Validasi Model Deep Learning Untuk Mengukur Glomerulosklerosis Pada Spesimen Biopsi Ginjal

Kontak:{0}}/ WhatsApp: 008618081934791

pengantarLebih dari 100 000 pasien sedang menunggutransplantasi ginjal.1 Meskipun kebutuhan meningkat, antara 17 persen dan 20 persen ginjal yang pulih untuk transplantasi dibuang.2-4 Dengan kekurangan organ dan meningkatnya permintaan untuktransplantasi ginjal, ada kebutuhan mendesak untuk mengurangi pembuangan organ yang tidak perlu.3

Hasil biopsi dilaporkan sebagai faktor terpenting dalam keputusan untuk menggunakan atau membuang ginjal donor.5 Banyak penelitian telah mengaitkan kerusakan kronis pada donor.spesimen biopsi ginjaldengan hasil transplantasi.6-12 Tingkat 20 persenglomerulosklerosis globalsering digunakan sebagai titik potong dalam keputusan untuk transplantasi dan merupakan faktor utama yang mendasari mengapa hasil biopsi adalah alasan paling umum suatu organ ditolak untuk transplantasi di Amerika Serikat.4

Studi terbaru menunjukkan bahwa ginjal yang dapat diterima dibuang karena interpretasi spesimen biopsi donor yang bervariasi dan tidak konsisten.3,13,14 Bahkan metrik yang tampaknya sederhana seperti persentaseglomerulosklerosis globaltunduk pada variasi manusia yang signifikan.15-17 Artefak yang membeku, kurangnya keahlian subspesialisasi, pengambilan sampel yang tidak memadai, dan sifat evaluasi yang sensitif terhadap waktu, semuanya berkontribusi pada kesalahan manusia.

Baru-baru ini, deep learning (DL) telah menunjukkan potensi untuk meningkatkan reproduktifitas dan akurasi dalam pemeriksaan histopatologi.18-26 Penelitian sebelumnya dari laboratorium lain telah menggunakan pendekatan DL untuk deteksi otomatis glomeruli nonsklerotik dan sklerotik global.27-31Namun demikian , teknik ini bergantung pada pewarnaan khusus, seperti asam periodik-Schiff atau pewarnaan trikrom Masson, yang tidak praktis dalam pengaturan bagian beku yang sensitif terhadap waktu. Pekerjaan sebelumnya dari anggota grup kami menjelaskan satu-satunya hasil yang dilaporkan, sepengetahuan kami, menunjukkan kinerja tinggi untuk kuantisasi otomatis persenglomerulosklerosis globalmenggunakan gambar whole-slide (WSI) dari bagian beku bernoda hematoxylin-eosin.

cistanche binaraga yang baik: untuk memperkuat ginjal

Kami berhipotesis bahwa pendekatan DL untuk pemeriksaan donorspesimen biopsi ginjalakan mengungguli ahli patologi manusia dalam mengevaluasi persenglomerulosklerosis globaldan peningkatan lebih lanjut akan dimungkinkan dengan memeriksa beberapa tingkat bagian. Peningkatan pengambilan sampel jaringan ini dihipotesiskan untuk mengurangi kemungkinan pembuangan organ yang tidak perlu dan akan menjawab pertanyaan apakah teknik DL dikaitkan dengan membuat peningkatan substantif dalam kumpulan organ donor yang tersedia.

Kata kunci:Glomerulosklerosis,ginjal, Spesimen Biopsi Ginjal, transplantasi ginjal, glomerulosklerosis global

MetodePenelitian ini mengikuti pedoman pelaporan Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD) untuk studi diagnostik dan prognostik. Studi ini ditinjau dan disetujui oleh dewan peninjau institusional Universitas Washington, yang juga mengabaikan kebutuhan untuk mendapatkan persetujuan pasien yang diinformasikan karena penelitian ini hanya menggunakan biospesimen yang tidak dapat diidentifikasi dari kumpulan data yang ada.

Pengumpulan dataWSI diperoleh dari spesimen biopsi donor yang telah meninggal—98 bagian beku bernoda hematoxylin-eosin dan 51 bagian permanen—diambil dari total 83 bagianginjaldengan menggunakan sampel baji dan jarum. Spesimen biopsi bagian beku dan spesimen biopsi bagian permanen diperoleh dari ginjal yang berbeda. Dari 83 spesimen, 62 memiliki setidaknya 2 tingkat bagian. Gambar spesimen biopsi dari database Universitas Washington berasal dari Gift of Life Michigan (diambil antara Agustus 2015 dan November 2016 menggunakan pemindai Sakura; perbesaran, ×20) dan Universitas Washington (diambil antara Juni 2015 dan Juni 2017 melalui Transplantasi Mid-America menggunakan Pemindai Aperio Scanscope CS; perbesaran, ×20). Setiap donor organ yang telah meninggal yang datang antara tanggal-tanggal tersebut dan menjalani abiopsi ginjaluntuk pemeriksaan patologis intraoperatif digital memenuhi syarat untuk penelitian ini. Karakteristik demografi dan gambaran klinis donor tidak diketahui oleh para peneliti. Semua pindaian dikonversi dari format SVS ke TIFF pada resolusi penuh (0.5 m/piksel). Ukuran gambar berkisar dari 105 megapiksel hingga 1448 megapiksel.

Anotasi DataSlide pertama kali dijelaskan untuk glomeruli nonsklerotik dan sklerotik oleh ahli bersertifikatginjalahli patologi (PW atau JPG), direvisi oleh ahli patologi bersertifikat kedua (TCL) dengan pengalaman menafsirkan donorspesimen biopsi ginjal, dan diikuti oleh revisi akhir oleh pakar bersertifikat dewan lainnyaginjalahli patologi (PCW atau JPG). Anotasi akhir yang direvisi berfungsi sebagai kebenaran dasar (yaitu, standar emas) untuk pelatihan dan evaluasi model. Variabilitas khas dalam jumlah glomeruli dengan setiap revisi diilustrasikan dalam eGambar 1 dalam Suplemen. Plug-in internal yang ditulis untuk Fiji32 digunakan untuk menguraikan dan mengklasifikasikan glomeruli secara manual pada setiap WSI untuk menghasilkan topeng label piksel wilayah glomerulus pada resolusi yang sama dengan WSI induk. Glomeruli diklasifikasikan sebagai sklerotik global (didefinisikan sebagai sklerosis yang melibatkan seluruh berkas glomerulus, termasuk usang, padat, dan menghilang.glomerulosklerosis global)atau sklerotik nonglobal. Semua area lain dikelompokkan bersama dan diberi label tubulointerstitium. Sebanyak 1544 glomeruli sklerosis global dan 6914 glomerulus nonglobal diberi label dalam 149 gambar terpisah. Spesimen biopsi menunjukkan kisaran persen yang luasglomerulosklerosis global(0 persen -77 persen ). Rerata (SD) jumlah glomerulus per slide adalah 57 (31).

Arsitektur Model DLModel DL yang digunakan dalam penelitian ini adalah jaringan saraf konvolusi penuh berdasarkan arsitektur VGG1633 yang dijelaskan dalam pekerjaan sebelumnya, yang mencakup anggota kelompok kami.34 Singkatnya, data dimasukkan ke jaringan berbasis VGG16 yang telah dilatih sebelumnya dengan bobot beku di bawah kemacetan (yaitu, segera sebelum lapisan klasifikasi yang terhubung secara padat). Lapisan klasifikasi VGG16 yang terhubung secara padat diganti dengan 5 lapisan konvolusi penuh dengan bobot yang dapat dilatih. Penggunaan arsitektur konvolusi penuh melalui seluruh jaringan memungkinkan transformasi "gambar ke gambar", daripada transformasi "gambar ke label", untuk setiap patch gambar input, yang terakhir adalah pendekatan yang kurang akurat dan banyak lagi mahal secara komputasi.34 Model konvolusi penuh menghasilkan peta piksel downsampled yang didaftarkan ke patch gambar input, memberikan probabilitas bahwa setiap piksel keluaran adalah tubulointerstitium, glomerulus nonglobal sclerosed, atau glomerulus sklerosis global.

Parameter PelatihanGambar dipotong menjadi 2048 × 2048-piksel (1024 × 1024 m) tambalan gambar yang sebagian tumpang tindih (langkah, 1664 piksel atau 838 m) untuk masukan pelatihan. Tambalan dipilih untuk pelatihan dengan mengambil sampel secara acak dari seluruh kumpulan tambalan gambar (sekitar 6500 tambalan di setiap set pelatihan validasi silang, panjang satu zaman). Patch input dibalik atau diputar secara acak (sebesar 0 derajat, 90 derajat, 180 derajat, atau 270 derajat), menghasilkan 8-augmentasi data pelatihan dengan total sekitar 52 000 kemungkinan patch pelatihan di kolam sampel. Pelatihan dilakukan menggunakan TensorFlow dengan meminimalkan kerugian lintas entropi kategoris, bobot kelas menggunakan rasio untuk kategori sclerosed hingga nonsclerosed hingga tubulointerstitial 10:5:1 untuk mengkompensasi ketidakseimbangan kelas. Optimasi penurunan gradien stokastik digunakan dengan tingkat pembelajaran siklik antara 1e−4 dan 1e−2 dan ukuran batch 4 untuk 15 epoch.

Validasi silangModel dilatih dan diuji dalam 10-kali lipat validasi silang, di mana 10 persen WSI ditahan dari pelatihan di setiap lipatan, dan model yang dihasilkan (dilatih pada 90 persen data yang tersisa) digunakan untuk menghasilkan prediksi pada WSI yang ditahan. Gambar dari level berbeda yang samaginjalselalu diadakan bersama-sama. Tidak ada informasi dari set uji lipatan validasi silang yang digunakan untuk menginformasikan pelatihan lipatan terkait. Prediksi untuk slide yang ditahan dihasilkan secara tambal sulam menurut skema dicing gambar yang dijelaskan di atas (yaitu, patch 2048 × 2048-piksel dengan langkah piksel 1664-), dan hasilnya disusun kembali untuk menghasilkan peta probabilitas keluaran untuk seluruh WSI.

Pengolahan pascaLaplacian standar algoritme deteksi gumpalan gaussian, sangat cocok untuk mengidentifikasi daerah melingkar dengan intensitas gambar tinggi pada berbagai skala,35 digunakan untuk melokalisasi glomeruli individu dari peta probabilitas. Persenglomerulosklerosis globaldihitung dengan rumus 100 × S/N, di mana S adalah jumlah glomeruli yang mengalami sklerosis global dan N adalah jumlah total glomeruli.

Analisis statistikKesepakatan piksel antara anotasi dan peta probabilitas prediksi dikuantifikasi melalui koefisien Dadu dan persimpangan metrik gabungan, dihitung secara agregat untuk semua piksel di setiap label keluaran. Jumlah glomeruli diperoleh setelah pemrosesan deteksi gumpalan pada saluran peta probabilitas sclerosed dan nonsclerosed. Persenglomerulosklerosis globaldihitung dari jumlah ini untuk gambar individu, dan untuk individuginjal, dengan mengumpulkan jumlah untuk semua level (biasanya 2) yang terkait dengan masing-masingginjal.Hitungan glomeruli dibandingkan dengan kebenaran dasar anotasi, dengan akurasi yang dinilai dengan koefisien korelasi Pearson r dan kesalahan akar-rata-rata-kuadrat (RMSE). Jumlah yang sesuai untuk persenglomerulosklerosis globaldihitung untuk perkiraan ahli patologi panggilan, dan nilai-nilai itu dibandingkan dengan kinerja model.

Kategorisasi dariginjalsebagai "diterima" untuk transplantasi atau "ditolak" ditentukan pada 20 persenglomerulosklerosis global, titik potong yang umum digunakan dalam praktik klinis saat ini berdasarkan data historis. Skor F1 dihitung sebagai fungsi untuk membedakan dengan benar apakah sampel melebihi atau di bawah titik potong 20 persen sehubungan dengan anotasi kebenaran dasar. Koefisien Cohen (indikator kesepakatan antara penilai) juga dihitung untuk model dan diskriminasi patolog panggilan pada titik potong 20 persen, dibandingkan dengan anotasi kebenaran dasar dan satu sama lain.

Karena definisi dariglomerulosklerosis globalsecara alami dinyatakan sebagai rata-rata distribusi beta yang diberikan oleh parameter S (jumlah glomeruli sklerosis global) dan (N S) (jumlah glomeruli nonglobal sklerosis), digunakan untuk menghitung interval prediksi 95 persen yang berfungsi sebagai indikator presisi keluaran. Sebuah 2-sisi P < .05="" dianggap="" signifikan="" secara="" statistik.="" semua="" analisis="" statistik="" dilakukan="" dari="" maret="" 2018="" hingga="" agustus="" 2020="" dengan="" paket="" python="" scikit-learn,="" versi="" 0.22.1,="" dan="" scipy.stats,="" versi="">

Hasil

Visualisasi KeluaranOutput gambar yang diprediksi untuk WSI bagian beku dan bagian permanen menunjukkan kesesuaian kualitatif dengan peta anotasi target (Gambar 1). Koefisien Dadu Agregat adalah 0.784 untuk glomeruli yang tidak mengalami sklerosis global dan 0.600 untuk glomeruli yang mengalami sklerosis global; persimpangan agregat atas metrik gabungan untuk kelompok yang sama adalah 0,645 untuk glomeruli yang tidak mengalami sklerosis global dan 0,429 untuk glomerulus yang mengalami sklerosis global. Khususnya, bahkan bagian beku dengan artefak substansial menunjukkan kesepakatan visual kualitatif antara kebenaran dasar anotasi dan prediksi (contoh ditunjukkan pada Gambar 1A).

Evaluasi Persen Glomerulosklerosis Global Berdasarkan Slide IndividuDivalidasi silangglomerulosklerosisprediksi pada slide individu juga menunjukkan korelasi dengan anotasi (r {{0}}.916; 95 persen CI, 0.886-0.939; dan RMSE=5.631 ; 95 persen CI, 4.{{10}}.517; P < .001)="" (gambar="" 2a).="" pemisahan="" hasil="" dengan="" teknik="" preparasi="" slide="" menunjukkan="" bahwa="" prediksi="" pada="" potongan="" beku="" menunjukkan="" korelasi="" yang="" sama="" dengan="" kebenaran="" dasar="" (r="0.918;" 95="" persen="" ci,="" 0.879-0.944;="" rmse="" {{="" 20}}.20;="" p=""><.001) (gambar="" 3a="" dalam="" suplemen),="" sedangkan="" kelompok="" permanen="" menunjukkan="" kinerja="" yang="" lebih="" tinggi="" (r="0.940;" 95="" persen="" ci,="" 0.896-0.965;="" rmse="4.32;" p="">< .001)="" (gambar="" 3d="" dalam="" suplemen).="" jumlah="" total="" glomeruli="" yang="" terdeteksi="" oleh="" model="" ditunjukkan="" pada="" gambar="" 3a="" dan="" b,="" yang="" menggambarkan="" korelasi="" glomeruli="" yang="" tidak="" mengalami="" sklerosis="" secara="" global="" dengan="" kebenaran="" dasar="" (r="0.955;" 95="" persen="" ci,="" 0.938-0.967="" ;="" rmse="8.383;" p="">< .001)="" dan="" glomeruli="" sklerosis="" global="" dengan="" kebenaran="" dasar="" (r="0.934;" 95="" persen="" ci,="" 0.909-0.952;="" rmse="" {{50="" }}.718;="" p="">< .001).="" perbedaan="" rata-rata="" (sd)="" jumlah="" glomeruli="" antara="" anotasi="" dan="" prediksi="" adalah="" 3,1="" (7,8)="" untuk="" glomeruli="" nonglobal="" sklerosis="" dan="" 0,2="" (4,7)="" untuk="" glomeruli="" sklerosis="" global.="" hasil="" positif="" serupa="" untuk="" jumlah="" glomeruli="" yang="" diprediksi="" diamati="" ketika="" memisahkan="" slide="" dengan="" pengobatan="" (gambar="" 2a,="" b,="" e,="" dan="" f="" dalam="">

Evaluasi Persen Global Glomerulosclerosis Berdasarkan Pooled Slides Pooling level meningkatkan kinerja jumlah glomeruli model (Gambar 3C dan D; eGambar 2C, D, G, dan H dalam Suplemen) serta korelasi glomerulosklerosis dengan anotasi, seperti yang ditunjukkan pada Gambar 2B ( r=0.933; 95 persen CI, 0.898-0.956; dan RMSE=5.094; 95 persen CI, 3.{{ 13}}.301; P <.001, untuk="" gabungan="" bagian="" beku="" dan="" permanen),="" meningkatkan="" kinerja="" ahli="" patologi="" panggilan="" pada="" kasus="" yang="" sama="" (r="0.884;" 95="" persen="" ci,="" 0.{{21}="" }.923;="" dan="" rmse="6.523;" 95="" persen="" ci,="" 5.191-7.783;="" p="">< .001)="" (gambar="" 2c).="" kesalahan="" glomerulosklerosis="" global="" yang="" diukur="" dengan="" rmse="" adalah="" 22="" persen="" lebih="" rendah="" untuk="" model="" daripada="" untuk="" ahli="" patologi="" yang="" dipanggil.="" kesesuaian="" antara="" prediksi="" model="" glomerulosklerosis="" global="" untuk="" tingkat="" individu="" dan="" gabungan="" ditunjukkan="" pada="" egambar="" 4="" dalam="" suplemen="" sebagai="" residu="" sehubungan="" dengan="" kebenaran="" dasar="">

pengobatan gangguan ginjal seks

Evaluasi Risiko Kesalahan Karakterisasi Ginjal Kumpulan persen hasil glomerulosklerosis global untuk anotasi, prediksi model, dan ahli patologi panggilan diurutkan dan diplot dalam urutan peningkatan persen glomerulosklerosis global untuk semua 83 ginjal yang termasuk dalam penelitian, bersama dengan interval prediksi 95 persen yang sesuai dan titik potong 20 persen untuk penerimaan atau penolakan transplantasi organ donor (Gambar 4B-F). Karena semua tingkat bagian dievaluasi oleh ahli patologi yang dipanggil pada saat biopsi, hasilnya dianggap evaluasi gabungan. Ginjal dengan interval prediksi yang tumpang tindih dengan garis titik potong 20 persen lebih berisiko menerima atau menolak yang salah jika jumlah glomeruli salah diperkirakan. Kemungkinan salah mengkategorikan ginjal dengan lebih dari 20 persen glomerulosklerosis global ditunjukkan pada Gambar 4A. Menggunakan slide individu, tingkat kesalahan yang diproyeksikan model DL adalah 15 persen lebih rendah daripada ahli patologi panggilan dan hampir identik dengan anotasi kebenaran dasar (yaitu, kasus ideal). Dengan tingkat yang dikumpulkan, tingkat kesalahan yang diproyeksikan model DL turun menjadi 37 persen lebih rendah dari pada ahli patologi panggilan. Demikian pula, tingkat kesalahan yang diproyeksikan model DL untuk penerimaan organ yang salah menggunakan tingkat individu adalah 21 persen lebih rendah daripada untuk ahli patologi on-call, dan 34 persen lebih rendah saat menggunakan tingkat gabungan.

Skor F1 dan Cohen menunjukkan hasil yang serupa. Skor F1 model DL untuk level individu memilikiglomerulosklerosis globaldi bawah 20 persen adalah 0,896, dan 0,950 untuk tingkat individu di atas 20 persen . Metrik ini meningkat saat menggabungkan level menjadi 0.926 untuk yang di bawah 2{{20}} persen , dan 0,964 untuk yang di atas 20 persen . Ini lebih baik dibandingkan dengan skor F1 untuk ahli patologi on-call 0,852 untuk mereka yang di bawah 20 persen, dan 0,929 untuk mereka yang di atas 20 persen. Cohen untuk prediksi model pada level individu sehubungan dengan kebenaran dasar adalah 0,847, meningkat menjadi 0,891 untuk level gabungan. Cohen untuk

ahli patologi panggilan sehubungan dengan anotasi gabungan lebih rendah, dengan nilai 0.781, dan 0.714 bila dibandingkan dengan prediksi tingkat gabungan model. Kesesuaian antara patolog dan hasil model untuk hasil tingkat gabungan ditunjukkan pada eGambar 5 di Suplemen sebagai residu sehubungan dengan kebenaran dasar, diurutkan berdasarkan kebenaran dasarglomerulosklerosis globalpersentase dan jumlah glomeruli total. Nilai pemeriksaan bertingkat ditunjukkan dengan mengevaluasi interval prediksi dari distribusi beta. Ilustrasi distribusi beta untuk spesimen biopsi hipotetis dengan 15 persenglomerulosklerosis globalditunjukkan pada Gambar 5A untuk kumpulan tingkat 1, 2, 3, dan 4, dengan asumsi setiap tingkat memiliki 58 glomeruli yang diamati (jumlah rata-rata untuk penelitian ini). Ketinggian setiap kurva pada nilai tertentu pada sumbu horizontal dapat diartikan sebagai kemungkinan relatif dari estimasi persenglomerulosklerosis globalmenjadi nilai itu, mengingat distribusi sebenarnya dari glomeruli sklerosis dan normal. Area di bawah kurva dengan demikian menghasilkan perkiraan kemungkinan memperolehglomerulosklerosis globalperkiraan dalam batas-batas integrasi. Distribusi menyempit dengan peningkatan pooling. Lebih penting lagi, area yang dinormalisasi di bawah kurva di luar titik potong penolakan 20 persen nominal menurun dari 14 persen hanya menggunakan satu level menjadi 2 persen saat menggabungkan 4 level (Gambar 5B), 7-kali lipat penurunan peluang untuk salah melebih-lebihkanglomerulosklerosis globaldan secara keliru membuang apa yang seharusnya menjadi organ yang bisa digunakan. Untuk mengilustrasikan lebih lanjut manfaat penyatuan level, glomeruli menghitung 1000 evaluasi spesimen biopsi donor yang dipilih secara acak (dari database yang sama dengan 83spesimen biopsi ginjaldigunakan dalam penelitian ini) digunakan untuk mensimulasikan efek penyatuan level untuk populasi yang besar. Itu

perkiraan ahli patologi panggilan digunakan sebagai pengganti untuk penghitungan glomeruli kebenaran dasar, dan pengumpulan data disimulasikan dengan mengalikan jumlah yang dilaporkan per tingkat dengan jumlah tingkat yang disimulasikan dalam kumpulan. Menerapkan analisis yang dijelaskan di atas untuk skenario ini, jumlah organ yang salah dibuang untuk setiap 1000ginjalwould decrease from 31 to 13 by increasing the number of levels evaluated from 1 to 4 (Figure 5C). As a demonstration of the potential clinical workflow with the incorporation of DL techniques, the DL model's predicted annotations for 25 cases from the study data set were randomly selected (5 each with 0%-5%, 6%-10%, 11%-15%, 16%-20%, and >20 persen glomerulosklerosis global) dan diserahkan ke ahli patologi, yang mengevaluasi gambar histologi dengan klasifikasi glomeruli yang dihasilkan model overlay. Ahli patologi kemudian mengoreksi setiap glomeruli yang terlewat atau tidak akurat dengan cara dan kerangka waktu yang konsisten dengan praktik klinis saat ini. Evaluasi yang diubah oleh ahli patologi berkorelasi lebih baik dengan kebenaran dasar (r=0.958) dan memiliki kesalahan yang lebih rendah (RMSE=4.352) daripada ahli patologi yang dipanggil (r=0. 613; RMSE=0.898) atau model DL saja (r=0.847; RMSE=7.535) (Gambar 7 dalam Tambahan).

Diskusi

Model DL menghasilkan hasil yang menggembirakan, baik dalam temuan kualitatif (visual) dan kuantitatif, dan hasil rekapitulasi yang dijelaskan dalam pekerjaan sebelumnya oleh anggota kelompok kami pada set pelatihan yang lebih kecil.34 Model ini dilakukan dengan baik menggunakan bagian beku atau bagian permanen, lebih baik pada -panggil kinerja ahli patologi. Waktu model untuk memproses WSI individu adalah sekitar 5 menit, baik dalam batasan khas konsultasi intraoperatif patologi.

Pembesaran kesalahan penghitungan saat menggunakan sampel kecil menyoroti nilai yang diperoleh dari hasil penyatuan dari beberapa level yang diperoleh dari satubiopsi ginjal.Ketebalan khas donorbiopsi ginjalspesimen adalah 1 mm. Ahli patologi hanya memeriksa perwakilan 5-μm–bagian tebal jaringan ini, meninggalkan sebagian besar jaringan yang tidak dievaluasiginjaltidak diperiksa. Meskipun sampel glomeruli pada bagian berikutnya mungkin tidak independen, proses preparasi slide dapat menyebabkan variabilitas bagian ke bagian yang substansial dalam glomerulosklerosis global, terlepas dari variabilitas pengamat (Gambar 6 dalam Suplemen). Dengan mengevaluasi lebih banyak bagian jaringan, efek variabilitas ini dapat diminimalkan dan keandalan evaluasi spesimen biopsi ditingkatkan. Manfaat ini jelas diamati dalam penelitian ini untuk setiap metrik (Angka 2-4), yang semuanya menunjukkan peningkatan dengan pemeriksaan jaringan tambahan.

Standar perawatan saat ini memerlukan evaluasi hanya 25 glomeruli dan 1 hingga 2 tingkat bagian karena evaluasi lebih lanjut tidak dapat dicapai secara praktis oleh ahli patologi manusia dalam konteks transplantasi organ yang sensitif terhadap waktu. Penggunaan teknik DL untuk meningkatkan kemampuan manusia dalam pengaturan ini dapat menambahkan organ yang sangat dibutuhkan ke dalam kumpulan donor. Alur kerja klinis potensial dengan penggabungan teknik DL dapat berupa sebagai berikut: spesimen tiba di laboratorium bagian beku, di mana slide bagian beku disiapkan dan dipindai. WSI kemudian diunggah ke lokasi yang aman untuk dianalisis menggunakan model DL. Sementara model DL sedang menganalisis, ahli patologi dapat masuk dan meninjau sampel untuk temuan terkait lainnya. Hasil model DL akan tersedia dalam 5 sampai 10 menit, disajikan kepada ahli patologi sebagai overlay grafis klasifikasi glomeruli pada gambar histologi, kemudian diverifikasi (dan diubah jika perlu) oleh ahli patologi, dan dimasukkan ke dalam laporan. Laporan aktual akan langsung berinteraksi dengan catatan kesehatan elektronik klinis.

KeterbatasanAda beberapa keterbatasan dalam penelitian ini. Itu adalah studi pusat tunggal. Meskipun WSI dihasilkan menggunakan 2 pemindai di 2 institusi, kumpulan data bagian beku seluruhnya dihasilkan di 1 institusi, sedangkan kumpulan data bagian permanen dihasilkan dari yang lain. Meskipun kumpulan data awal kecil (n=17) menyarankan bahwa prediksi model pada bagian beku menunjukkan korespondensi yang wajar dengan bagian permanen terkait dan bahwa model tersebut mengungguli ahli patologi panggilan pada bagian beku ini (eGambar 8 dalam Tambahan), ini penelitian tidak secara langsung membahas masalah terpisah tentang seberapa dekat bagian beku (serta evaluasi ahli patologi dari mereka) berhubungan dengan bagian permanen yang kemudian diperoleh dan diproses dari spesimen biopsi yang sama.

Kumpulan data kecil dibandingkan dengan studi DL lainnya. Namun, hampir 8.500 glomeruli diperiksa secara total, jumlah yang relatif tinggi. Keterbatasan dalam mengevaluasi jumlah kasus yang lebih besar terletak pada proses yang memakan waktu untuk membuat anotasi WSI secara serial. Untuk mengevaluasi lebih lanjut kekokohan model ini, studi tambahan akan diperlukan dimana model diuji menggunakan WSI yang dihasilkan dari laboratorium dan pemindai tambahan.

KesimpulanStudi prognostik ini menemukan kinerja yang lebih baik untuk mengukur persenglomerulosklerosis globaldari WSI transplantasi donor bernoda hematoxylin-eosin beku dan permanenspesimen biopsi ginjaloleh model DL daripada oleh ahli patologi bersertifikat. Kinerja lebih ditingkatkan dengan memeriksa bagian jaringan tambahan, sebuah proses yang berada di luar kapasitas ahli patologi dalam mengevaluasi spesimen biopsi donor yang sensitif terhadap waktu. Hasilnya menunjukkan penurunan kemungkinan kesalahan karakterisasi persenglomerulosklerosis globalsaat menggunakan model DL, sehingga mengurangi kemungkinan pembuangan organ donor yang tidak tepat atau penggunaan organ yang tidak optimal. Temuan menggambarkan keuntungan substansial yang dapat diwujudkan dengan menggunakan metode DL dalam praktek klinis patologi bedah.