DEL I.: Udvikling og evaluering af dyb læringsbaseret segmentering af histologiske strukturer i nyrebarken med flere histologiske pletter

Feb 26, 2022


Kontakt: Audrey Hu (Whatsapp: 008613880143964) E-mail:audrey.hu@wecistanche.com


Catherine P.Jayapandian, Yiiang Chen,Andrew R. Janowczyk & et al.

INDFØRELSEN

Renal biopsi fortolkning forbliver guldstandarden for diagnosticering og iscenesættelse af indfødte og transplanterede nyresygdomme. Selv om visuel morfologisk vurdering af nyreparenchymen kan give nyttige oplysninger til sygdomskategorisering, er patologers manuelle vurdering og visuelle kvantificering tidskrævende og begrænset af dårlig reproducerbarhed inden for og mellem læsere.7

Indførelsen af digital patologi i nefrologiske kliniske forsøg har givet en hidtil uset mulighed for at teste maskinlæringsmetoder til storstilet vævskvantificeringsindsats. Standardisering af patologisk materialeanskaffelse har gjort det muligt for verdensomspændende konsortier at etablere digitale patologilagre, der indeholder tusindvis af digitale nyrebiopsier til evaluering af nyresygdomme hos voksne og børn på tværs af forskellige befolkninger og patologilaboratorier.4,10 Denne store kvantificering giver imidlertid nogle nye udfordringer. I modsætning til kræftpatologi, hvor hæmatoxylin og eosin (H & E) generelt er den eneste anvendte plet, kræver nyrebiopsier rutinemæssige specielle pletter såsom Jones og periodisk syre methenamin sølv (SIL), periodisk syre Schiff (PAS) og Masson trikrom (TRI).1,12Derudover afspejles multicenterkarakteren af sådanne konsortier i præparaternes heterogenitet (f.eks. Vævssektionernes integritet og pletternes kvalitet.

Deep learning (DL) er en maskinlæringsmetode, der genkender mønstre i billeder gennem et netværk af forbundne kunstige neuroner. DL bruger dybe konvolutionelle neurale netværk (CNN'er), der er i stand til at identificere mønstre i komplekse histopatologiske data, der er tilbøjelige til en sådan heterogenitet. U-Net er et populært semantisk baseret DL-netværk, der er valideret i forbindelse med biomedicinsk billedsegmentering, der tager højde for pixelens rumlige kontekst i modsætning til naive DL-klassifikatorer på pixelniveau.3 Outputtet fra U-Net er et billede i høj opløsning (typisk samme størrelse som inputbilledet) med mærkede klasseforudsigelser på pixelniveau.14-16

I denne undersøgelse evaluerede vi gennemførligheden af DL-tilgange til automatisk segmentering af 6 nyre histologiske primitiver på 4 pletter ved hjælp af de digitale nyrebiopsier fra et multicenter Nephrotic Syndrome Study Network (NEPTUNE) datasæt.2 Derudover beskriver vi anmærknings- og træningsovervejelser, specifikt da de vedrører DL-algoritmer til digital nefropatologi. Efter vores bedste overbevisning er dette den største omfattende undersøgelse for at adressere anvendeligheden af DL-tilgange, der kan anvendes til nyrepatologiske billeder genereret i en multicenterindstilling.

cistanche-kidney disease-3(51)

behandling af nyredilese:ekstrakt af cistanche

RESULTATER

DL-ydeevne pr. histologisk primitiv

Glomerulær tuft. Klassifieren udførte konsekvent på tværs af de 4 pletter med kun marginale forskelle i F-score og terninger lighedskoefficient (DSC). En 5× digital forstørrelse på PAS- og H&E-pletter (tabel l, figur 1 og 2) resulterede i optimal detektion og segmentering.

Glomerulær enhed. Konsekvent kvantitativ præstationsmåling med F-score og DSC over 0,89 blev observeret på tværs af alle pletter med optimale resultater til påvisning og segmentering ved hjælp af 5×digitale forstørrelser på PAS- og SIL-pletter (tabel l, figur l og 2).

Proksimale rørformede segmenter. Segmenteringsresultaterne varierede lidt på tværs af pletterne (F-score fra 0,89 til 0,91 og DSC fra 0,88 til 0,95), hvor PAS-, SIL- og TRI-pletter havde bedre ydeevne end H & E-pletten. En 10×forsmagnificering var optimal til detektion og segmentering på tværs af alle pletter. (Tabel 1, figur l og 3).

Distale rørformede segmenter. Segmenteringsresultaterne var meget varierende på tværs af alle pletterne: F-score var 0,78 og 0,81 for henholdsvis H&E og TRI og 0,91 og 0,93 for henholdsvis SIL og PAS. DSC-scorerne var 0,78 og 0,82 for H&E og TRI og 0,92 og 0,93 for SIL og PAS. Optimale resultater til detektion og segmentering blev opnået ved hjælp af 10× digital forstørrelse på PAS- og SIL-pletter (tabel 1, figur 1 og 3).

Arterier/arterioler. Arterie/ arteriole segmentering var variabel på tværs af pletter, med F-score spænder fra 0,79 til 0,85 på tværs af TRI, H & E og PAS farvning og DSC spænder fra 0,85 til 0,90. Optimale resultater til detektion og segmentering blev opnået ved anvendelse af 10× på PAS-plet (tabel l, figur 1 og 4).

Peritubulære kapillærer. Optimale resultater til påvisning og segmentering blev opnået ved hjælp af 40×forstørkning på PAS-plet (tabel l, figur 1 og 4). Kvalitative segmenteringsresultater på testkohorten viser, at de fleste af de store peritubulære kapillærer var tynde og lange, da de blev skåret tangentielt fra biopsien. Selvom størrelsen, formen og den stoflige præsentation af peritubulære kapillærer varierede (figur 5a), var U-Net-modellen i stand til at detektere og segmentere peritubulære kapillærer af varierende størrelse og form (figur 5). Klassifikatoren har tendens til at fungere bedre på tynde og lange, små til mellemstore kapillærer. Kapillærer med en størrelse på mindre end 40 pixels (167 um²) blev imidlertid ikke identificeret eller blev unøjagtigt segmenteret.

Validering af DL-modeller ved hjælp af nefrektomier. En F-score på 0,93 blev opnået for 191 glomerulære enheder,0,90 for 1484 proksimale tubuli, 0,93 for 1251 distale tubuli,0,71 for 269 arterier/arterioler (figur 6) og 0,90 for 3784 peritubulære kapillærer (figur 7). De sjældne globalt sklerotiske glomeruli og atrofiske tubuli, der var til stede i sektionerne, blev ikke segmenteret af DL-netværket.

DL-segmenteringsydeevne på tværs af websteder og artefakter. Se supplerende figur S4.

cistanche-kidney function-3(57)

cistanche ekstrakt til forbedring af nyrefunktionen

DL-præstation som funktion af antallet af træningseksempler

Forbedringshastigheden for netværkets ydeevne som en funktion af antallet af træningseksempler blev observeret at være forskellig på tværs af histologiske primitiver. Antallet af eksempler, der er nødvendige for at maksimere netværkets ydeevne, stiger betydeligt fra glomerulære tufts til distale rørformede segmenter, arterier / arterioler og endelig til peritubulære caillaries (figur 8). For større strukturer som glomerulære tufts blev det observeret, at kun 60 træningsprøver var nødvendige for at opnå en F-score på 0,89, med en stigning på 0,02 ved hjælp af 183 tufts. For mindre og stort set repræsenterede strukturer såsom distale tubuli blev der observeret en stigning på 0,07 i F-score ved at øge antallet af eksempler fra 507 til 2789.For strukturer som arterier / arterioler med varierende størrelser steg F-scoren med 0,13, hvilket øgede antallet af eksempler fra 258 til 864.En signifikant stigning i F-score fra 0,27 til 0,81 blev observeret med peritubulære kapillærer ved at øge antallet af eksempler 2,5 gange (dvs. fra 4273 til 10.975).

Cistanche-renal failure-1(9)

Cistanche tubulosa til behandling af nyresvigt

Bemærk: Cistanche er en traditionel kinesisk tonic urt, det er også blevet kaldt ørkenen ginsng. cistanche er effektiv til forbedring af nyrefunktionen. cistanche har virkningerne af nærende nyre og anti-nyresygdom.



Du kan også lide