esIdioma
Inicio / Conocimiento / Contenido

Conocimiento

Evaluación de inteligencia artificial de cicatrices renales (estudio AIRS) Ⅱ

May 13, 2024

Resultados

Ambos modelos fueron entrenados y validados en un total de 152 tomografías computarizadas de 92 pacientes, que contenían 148 riñones izquierdos, 152 riñones derechos y 73.trasplante de riñones. Las características de los pacientes se resumen en la Tabla 1; 55 pacientes tenían fibrosis mínima o leve (<25%), 14 pacientes se clasificaron como fibrosis moderada (25%-50%) y 23 pacientes tenían fibrosis grave (0,50%). La TFGe promedio fue de 37.626 frente a 25.618 frente a 16.613 ml/min por 1,73 m2, respectivamente, en los grupos de fibrosis leve, moderada y grave. Los pacientes con fibrosis leve/moderada se agruparon para el análisis frente a pacientes con fibrosis grave en la tomografía computarizada del riñón;volumen promedio de riñónfue de 217 cm3 (rango 48–668) versus 76 cm3 (rango 3–347) en los grupos de fibrosis leve/moderada versus grave (<50% versus $50%). Hubo una biopsia de paciente que arrojó puntuaciones de fibrosis discordantes (comparando el informe del expediente médico con la revisión actual del patólogo), y la verdad sobre el terreno se determinó mediante una revisión ciega realizada por un segundo patólogo (ver Agradecimientos).

cistanche treat kidney disease

¿CUÁNTO TIEMPO TARDA EN QUE CISTANCHE FUNCIONE PARA LOS PACIENTES RENALES?

En la validación cruzada, el modelo corte por corte arrojó un AUC general de 0.917, mientras que el enfoque basado en vóxeles arrojó un AUC general de 0.922 (Figura 2). La precisión, sensibilidad, especificidad, VPP y VPN del modelo en varios umbrales evaluados en ambos algoritmos CNN se resumen en la Tabla 2. En un umbral de predicción de {{10}}.5, el corte por El enfoque de corte nos dio una precisión de 0.831, una sensibilidad de 0.817, una especificidad de {{20}}.852, un VPP de 0.886 y un VPN de 0.767. Con el mismo umbral de predicción de 0.5, el enfoque basado en vóxeles arrojó resultados similares con una precisión de 0.879, una sensibilidad de 0.853 y una especificidad de {{35} }.916, VPP de 0,935 y VPN de 0,816. El enfoque basado en vóxeles, en comparación con los informes de patología reales, produce 13 falsos positivos (fibrosis leve/moderada clasificada como grave), 32 falsos negativos (fibrosis grave no detectada; tasa de error del 15%), 187 verdaderos positivos y 141 verdaderos negativos. .
Los resultados de los análisis de subcohortes estratificados se muestran en la Tabla 3. El rendimiento general en ambos modelos fue similar después de la exclusión de los exámenes poscontraste y/o elexclusión de riñones nativos atróficosen pacientes que han sido sometidos a un trasplante. Se observó una pequeña disminución en el rendimiento (precisión de {{0}}.86) específicamente para la estrategia CNN basada en vóxeles después de eliminar los exámenes poscontraste; todas las demás permutaciones demostraron una precisión de $0,90. Además, la generalización general del modelo se conservó después de la estratificación del conjunto de entrenamiento (Philips, GE) y del conjunto de validación (Siemens) exclusivamente por parte del fabricante. Una comparación de nuestras herramientas de predicción y otros estudios de CNN queenfermedad renal evaluadalos parámetros son sumamarizado en la Tabla 4.

Echinacoside of cistanche can improve kidney function

Discusión

Iniciamos el estudio AIRS para desarrollar herramientas de aprendizaje automático paracuantificar la fibrosis renalcomo alternativa diagnóstica no invasiva a la biopsia renal. En una cohorte de 92 pacientes, analizamos 300Imágenes de riñón nativoy 73 riñones trasplantados a partir de 152 tomografías computarizadas abdominales. Descubrimos que los modelos CNN globales sector por sector y basados ​​en vóxeles eran similares a la hora de diferenciar los casos graves de los leves/fibrosis renal moderada, con AUC {{0}}.917 frente a 0.922 y PPV 0.886 frente a 0,935, en comparación con la verdad fundamental deinformes de biopsia de riñón. Ambos modelos de CNN tuvieron un rendimiento consistente cuando se probaron con diferentes escáneres de TC y cuando se excluyeron los riñones nativos atróficos en pacientes que se sometieron a un trasplante; el modelo global corte por corte tuvo una precisión de predicción ligeramente mejor cuando solo se probaron tomografías computarizadas sin contraste.

La biopsia diagnóstica de riñón sigue siendo el estándar de atención cuando se necesita el diagnóstico histológico para guiar el tratamiento de la proteinuria, el rechazo de un trasplante o un riñón inexplicable.disfunción (1,2). Sin embargo, la decisión de realizar una biopsia de riñón nativo puede ser compleja, especialmente si el paciente está en tratamiento anticoagulante o tiene anemia o trombocitopenia., lo que puede aumentar el riesgo de complicaciones importantes,incluyendo transfusiones de sangre, intervención angiográfica,y muerte (tasas generales de incidentes del 2%, 0.3% y 0.06%,respectivamente) (6). Herramientas no invasivas para evaluar el título.de riñónFifaltan brosis (7), y hasta la fecha no se han utilizadoherramientas de aprendizaje automático optimizadas para minimizar la subjetividad yinclinación. Estas herramientas pueden resultar útiles cuando se evalúan en elcontexto de otros marcadores de insuficiencia renal crónica(e.g., niveles elevados de hormona paratiroidea y fosfato). en parparticular, la predicción de severo (.50%) Fibrosis puede justificarevitar la biopsia de riñón porque el paciente noser un candidato para la terapia inmunomoduladora (i.e., ella biopsia no cambiaría el manejo clínico). Esta informaciónLa información es valiosa, por ejemplo, cuando los pacientes presentancon insuficiencia renal avanzada y antecedentes médicos desconocidosconservador. Pases adicionales con la aguja de biopsia para optimizar

el muestreo de glomérulos para histología de unriñón fibróticopuede conducir a un mayor riesgo de hemorragia (22). Si se predice un grado grave de fibrosis en el análisis CNN de una tomografía computarizada, el equipo médico puede decidir limitar el muestreo de la biopsia o evitar la biopsia de riñón por completo, después de compartir la toma de decisiones con el paciente. Es de destacar que una biopsia diagnóstica de riñón nativo aún puede estar indicada en un riñón aparentemente en etapa terminal, según el criterio del nefrólogo, para guiar la evaluación de la candidatura a trasplante o para determinar la etiología de una enfermedad sistémica.

Observamos que un umbral de predicción de 0.5 obtuvo el mejor rendimiento en cuanto a la aplicabilidad futura en la toma de decisiones clínicas, donde el objetivo es identificar pacientes conriñón avanzadoFibrosis, y así evitar la biopsia invasivay sus posibles complicaciones hemorrágicas discutidas anteriormente.Con el modelo CNN basado en vóxeles, un umbral de 0.5

identificar el 85% de los individuos con fibrosis renal avanzada con un VPP del 94% (Tabla 2). Elevar el umbral a 0.9 mejoraría marginalmente el VPP al 95%, pero disminuiría drásticamente la sensibilidad del 85% al ​​72% (es decir, pasaría por alto al 28% de los individuos con fibrosis grave).

effect of cistanche improve kidney function (2)

Actualmente, la principal limitación del algoritmo propuesto es el requisito de definir manualmente una región de interés para cada riñón antes de la predicción del aprendizaje profundo.
Cabe señalar, sin embargo, que aunque se generaron contornos tridimensionales de los riñones como parte de este estudio, la predicción para cada nuevo paciente (es decir, separada del entrenamiento) solo requirió que se definiera un cubo delimitador aproximado alrededor de los riñones. . Se están desarrollando algoritmos para la segmentación de todo el riñón basada en el aprendizaje profundo, lo que facilitaría un proceso de un extremo a otro totalmente automatizado (23,24). Otra limitación es que la heterogeneidad en el grado de fibrosis en un solo riñón puede ser una fuente de error en la verdad y validación del algoritmo. En este estudio, decidimos priorizar la compensación de incluir más datos potencialmente ruidosos (se segmentaron riñones completos) en lugar de utilizar una pequeña cantidad de datos limpios; Empíricamente, esta estrategia es común en tareas de aprendizaje profundo de big data, y nuestra observación de un AUC de predicción algorítmica de 0.911 sugiere que el grado de ruido introducido por esta estrategia es modesto. Se explorará el perfeccionamiento futuro de estos algoritmos de predicción de CNN mediante la incorporación de valores de laboratorio clínico relevantes para la ERC, como la creatinina, la hormona paratiroidea y la hemoglobina. A la espera de conjuntos de datos más grandes, la salida del algoritmo se puede optimizar aún más para incluir una agrupación cuantitativa más amplia.(grado deFibrosis,25%, 25%–50%, 50%–75%, y.75%). Finalmente, dado que el algoritmo actual está entrenado y es válidofechado con datos de una sola institución, se requiere más trabajonecesario para evaluar la generalización más allá de lo estudiadocohorte de pacientes.
Hasta donde sabemos, el estudio AIRS es el primero en utilizar modelos CNN para predecir el grado de fibrosis renal a partir de exploraciones por imágenes. Los resultados son prometedores y proporcionan unabase para probar estas herramientas CNN en ensayos prospectivos, paravalidar su utilidad en la toma de decisiones clínicas cuando seano está claro si un paciente'La enfermedad renal es aguda versus

crónico.


kidney function

Divulgaciones

J. Zuckerman afirma tener acuerdos de consultoría con Leica Biosystems; informa haber recibido honorarios de ApotheCom; y reporta ser asesor científico o miembro de esquemas de Patologíacom. P. Chang informa tener acuerdos de consultoría con yrecibir financiación para investigación de Canon Medical; y los informes tienentener una participación de propiedad en Avicenna.ai. WL Lau informa haberacuerdos de consultoría con Ardelyx y Fresenius; informesrecibiendo financiación para investigación de la Asociación Estadounidense del Corazón,Hub Therapeutics y los Institutos Nacionales de Salud; y

informa haber recibido honorarios de la Preceptoría Australiana de Nefrología de Roche. El resto de autores no tienen nada que revelar.



Fondos

Este proyecto fue financiado por el Premio de Investigación de la Cátedra del Departamento de Medicina de Irvine de la Universidad de California 2019-2021.

Agradecimientos Los autores agradecen al Dr. Anthony Sisk (Departamento de Patología y Medicina de Laboratorio, Facultad de Medicina David Geffen de la Universidad de California en Los Ángeles) por la revisión ciega depacientes de biopsia discordantes para determinar la verdad sobre el terreno.



Contribuciones de autor

WL Lau conceptualizó el estudio; C. Chantaduly, K. Perez Reyes, H. Troutt y J. Zuckerman fueron los responsables de la curación de datos; P. Chang, C. Chantaduly y J. Zuckerman fueron los responsablespara el análisis formal; WL Lau fue responsable de laadquisición de financiación; C. Chantaduly y K. Pérez Reyes fueronresponsable de la investigación; P. Chang, C. Chantaduly y J.Zuckerman fueron los responsables de la metodología; WL Lau yH. Troutt fueron responsables de la administración del proyecto; P. Changfue responsable de los recursos y el software; P. Chang y WLLau proporcionó supervisión; C. Chantaduly y H. Troutt escribieron elborrador original; P. Chang, C. Chantaduly, WL Lau, K. Pérez Reyes,y H. Troutt revisaron y editaron el manuscrito.


Referencias

1. Luciano RL, Moeckel GW: Actualización sobre la biopsia de riñón nativo: plan de estudios básico 2019. Am J Kidney Dis 73: 404–415, 2019 https://doi.org/10.1053/j.ajkd.2018.10.011

2. Hogan JJ, Mocanu M, Berns JS: La biopsia de riñón nativo: actualización y evidencia de las mejores prácticas. Clin J Am Soc Nephrol 11: 354–362, 2016https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Diagnóstico y evaluación de la fibrosis renal: el estado del arte. Semanal médico suizo 147: w14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; Grupo de Trabajo de Inmunonefrología ERA-EDTA: Biopsia renal en 2015: de la epidemiología a las indicaciones basadas en evidencia. Soy J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Práctica de biopsia renal: ¿Cuál es el estándar de oro? Mundo J Nephrol 3: 287–294, 2014 https://doi.org/10. 5527/wjn.v3.i4.287

6. Poggio ED, McClelland RL, Blank KN, Hansen S, Bansal S, Bomback AS, Canetta PA, Khairallah P, Kiryluk K, Lecker SH, McMahon GM, Palevsky PM, Parikh S, Rosas SE, Tuttle K, Vaz quez MA , Vijayan A, Rovin BH; Proyecto de medicina de precisión renal: revisión sistemática y metanálisis de las complicaciones de la biopsia de riñón nativo. Clin J Am Soc Nephrol 15: 1595–1602, 2020 https://doi.org/10.2215/CJN.04710420

7. Abdeltawab H, Shehata M, Shalaby A, Khalifa F, Mahmoud A, El-Ghar MA, Dwyer AC, Ghazal M, Hajjdiab H, Keynton R, El-Baz A: un novedoso sistema CAD basado en CNN para la evaluación temprana de disfunción renal trasplantada. Representante científico 9: 5948, 2019 https://doi.org/10.1038/s41598-019-42431-3

8. Wang Z, Yang H, Suo C, Wei J, Tan R, Gu M: Aplicación de elastografía por ultrasonido para la disfunción crónica del aloinjerto en el trasplante de riñón. J Ultrasound Med 36: 1759–1769, 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€ utter-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: ecografía del aloinjerto renal: correlación entre el índice de resistencia ecográfica Doppler (RI) e histopatología. Clin Hemorheol Microcirc 70: 413–422, 2018 https://doi.org/10.3233/CH-189306

10. Kuo CC, Chang CM, Liu KT, Lin WK, Chiang HY, Chung CW, Ho MR, Sun PR, Yang RL, Chen KT: Automatización de la predicción y clasificación de la función renal mediante imágenes renales basadas en ultrasonido mediante aprendizaje profundo. Dígito Med 2: 1–9, 2019

















También podría gustarte