Desarrollo y validación de un modelo de aprendizaje profundo para cuantificar la glomeruloesclerosis en muestras de biopsia renal

Contacto:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791

IntroducciónMás de 100 000 pacientes están actualmente esperando untransplante de riñón.1 A pesar de la creciente necesidad, entre el 17 % y el 20 % de los riñones recuperados para trasplante se desechan.2-4 Con la escasez de órganos y la creciente demanda detrasplantes de riñón, existe una necesidad urgente de disminuir el descarte innecesario de órganos.3

El resultado de la biopsia se reporta como el factor más importante en la decisión de usar o descartar el riñón de un donante.5 Numerosas investigaciones han relacionado el daño crónico en el riñón del donante.especímenes de biopsia renalcon los resultados del trasplante.6-12 Un nivel del 20 por cientoglomeruloesclerosis globalse utiliza con frecuencia como un punto de corte en la decisión de trasplante y es un factor importante que explica por qué el resultado de la biopsia es la razón más común por la que se rechaza un órgano para trasplante en los Estados Unidos.4

Estudios recientes indican que los riñones aceptables se están descartando debido a la interpretación variable e inconsistente de la muestra de biopsia del donante.3,13,14 Incluso una métrica aparentemente sencilla como el porcentajeglomeruloesclerosis globalestá sujeto a una variación humana significativa.15-17 Los artefactos de congelación, la falta de experiencia en subespecialidades, el muestreo inadecuado y la naturaleza sensible al tiempo de estas evaluaciones contribuyen a los errores humanos.

Recientemente, el aprendizaje profundo (DL) ha demostrado el potencial para mejorar la reproducibilidad y la precisión en el examen histopatológico.18-26 Estudios anteriores de otros laboratorios han utilizado enfoques de DL para la detección automatizada de glomérulos no escleróticos y globalmente escleróticos.27-31Sin embargo, , estas técnicas se basan en tinciones especiales, como las tinciones de ácido peryódico de Schiff o tricrómico de Masson, que no son prácticas en el entorno sensible al tiempo de las secciones congeladas. El trabajo anterior de miembros de nuestro grupo describe los únicos resultados informados, según nuestro conocimiento, que muestran un alto rendimiento para la cuantificación automatizada del porcentajeglomeruloesclerosis globalutilizando imágenes de diapositivas completas (WSI) de secciones congeladas teñidas con hematoxilina-eosina.

cistanche buen culturismo: para fortalecer los riñones

Nuestra hipótesis es que un enfoque DL para el examen de donantesespecímenes de biopsia renalsuperará a los patólogos humanos en la evaluación del porcentajeglomeruloesclerosis globaly que se habilitará una mayor mejora mediante el examen de múltiples niveles de sección. Se supone que este mayor muestreo de tejido disminuirá la probabilidad de descarte de órganos innecesarios y abordará la cuestión de si las técnicas de DL están asociadas con un aumento sustancial en la reserva de órganos de donantes disponibles.

Palabras clave:glomeruloesclerosis,riñón, especímenes de biopsia renal, trasplante de riñón, glomeruloesclerosis global

MétodosEste estudio siguió la guía de informes de informes transparentes de un modelo de predicción multivariable para pronóstico o diagnóstico individual (TRIPOD) para estudios de diagnóstico y pronóstico. Este estudio fue revisado y aprobado por la junta de revisión institucional de la Universidad de Washington, que también eliminó la necesidad de obtener el consentimiento informado del paciente porque este estudio utilizó solo muestras biológicas no identificables de un conjunto de datos existente.

Recopilación de datosLos WSI se obtuvieron de especímenes de biopsia de donantes fallecidos (98 secciones congeladas teñidas con hematoxilina-eosina y 51 secciones permanentes) recuperadas de un total de 83riñonesmediante el uso de muestras de cuña y aguja. Se obtuvieron muestras de biopsia de sección congelada y muestras de biopsia de sección permanente de diferentes riñones. De 83 especímenes, 62 tenían al menos 2 niveles de sección. Las imágenes de especímenes de biopsia de la base de datos de la Universidad de Washington se originaron en Gift of Life Michigan (recuperadas entre agosto de 2015 y noviembre de 2016 usando un escáner Sakura; aumento, ×20) y la Universidad de Washington (recuperadas entre junio de 2015 y junio de 2017 a través de Mid-America Transplant usando un Escáner Aperio Scanscope CS; aumento, ×20). Cualquier donante de órganos fallecido que se presentó entre estas fechas y se sometió a unabiopsia renalpara el examen patológico intraoperatorio digital fue elegible para este estudio. Los investigadores desconocían las características demográficas y clínicas de los donantes. Todos los escaneos se convirtieron de formato SVS a TIFF a máxima resolución (0,5 μm/píxel). Los tamaños de imagen oscilaron entre 105 megapíxeles y 1448 megapíxeles.

Anotación de datosLos portaobjetos fueron anotados primero para los glomérulos no escleróticos y escleróticos por un experto certificado por la junta.riñónpatólogo (PW o JPG), revisado por un segundo patólogo certificado por la junta (TCL) con experiencia en la interpretación de donantesespecímenes de biopsia renal, y seguido de una revisión final por otro experto certificado por la juntariñónpatólogo (PCW o JPG). Las anotaciones revisadas finales sirvieron como datos básicos (es decir, el estándar de oro) para el entrenamiento y la evaluación del modelo. La variabilidad típica en los recuentos de glomérulos con cada revisión se ilustra en la eFigura 1 del Suplemento. Se utilizó un complemento interno escrito para Fiji32 para delinear y clasificar manualmente los glomérulos en cada WSI para generar máscaras de etiquetas en píxeles de las regiones de los glomérulos con la misma resolución que el WSI principal. Los glomérulos se clasificaron como globalmente escleróticos (definidos como esclerosis que afecta a todo el penacho glomerular, incluida la obsolescencia, la solidificación y la desaparición).glomeruloesclerosis global)o no globalmente esclerótica. Todas las demás áreas se agruparon y se etiquetaron como tubulointersticio. Se etiquetaron un total de 1544 glomérulos globalmente esclerosados ​​y 6914 no globalmente esclerosados ​​en 149 imágenes separadas. Los especímenes de biopsia exhibieron una amplia gama de por cientoglomeruloesclerosis global(0 por ciento -77 por ciento). El número medio (DE) de glomérulos por portaobjetos fue de 57 (31).

Arquitectura del modelo DLEl modelo DL utilizado en este estudio fue una red neuronal totalmente convolucional basada en la arquitectura VGG1633 descrita en un trabajo anterior, que incluía a un miembro de nuestro grupo.34 En resumen, los datos se ingresaron en la red basada en VGG16 preentrenada con pesos congelados a continuación. el cuello de botella (es decir, inmediatamente antes de las capas de clasificación densamente conectadas). Las capas de clasificación VGG16 densamente conectadas se reemplazaron con 5 capas completamente convolucionales con pesos entrenables. El uso de una arquitectura completamente convolucional a través de toda la red permitió una transformación de "imagen a imagen", en lugar de una transformación de "imagen a etiqueta", para cada parche de imagen de entrada, el último de los cuales es un enfoque que es menos preciso y mucho más computacionalmente costoso.34 El modelo completamente convolucional generó mapas de píxeles reducidos registrados en el parche de imagen de entrada, dando la probabilidad de que cada píxel de salida fuera tubulointersticio, glomérulo no esclerosado globalmente o glomérulo esclerosado globalmente.

Parámetros de entrenamientoLas imágenes se cortaron en 2048 × 2048-píxeles (1024 × 1024 μm) parches de imagen parcialmente superpuestos (zancada, 1664 píxeles o 838 μm) para la entrada de entrenamiento. Los parches se seleccionaron para el entrenamiento mediante un muestreo aleatorio de todo el grupo de parches de imagen (aproximadamente 6500 parches en cada conjunto de entrenamiento de validación cruzada, la duración de una sola época). Los parches de entrada se invirtieron o rotaron aleatoriamente (en 0 grados, 90 grados, 180 grados o 270 grados), lo que produjo un aumento de 8- veces los datos de entrenamiento para un total de aproximadamente 52 000 parches de entrenamiento posibles en el piscina de muestreo. El entrenamiento se realizó con TensorFlow mediante la minimización de la pérdida de entropía cruzada categórica, ponderada por clases utilizando una proporción de categorías esclerosadas, no esclerosadas y tubulointersticiales de 10:5:1 para compensar el desequilibrio de clases. Se utilizó la optimización de descenso de gradiente estocástico con una tasa de aprendizaje cíclica entre 1e−4 y 1e−2 y un tamaño de lote de 4 para 15 épocas.

Validación cruzadaEl modelo se entrenó y probó en 10-validación cruzada de pliegues, donde el 10 por ciento de los WSI no se entrenaron en cada pliegue, y el modelo resultante (entrenado en el 90 por ciento restante de los datos) se usó para generar predicciones. sobre los WSI retenidos. Imágenes de diferentes niveles de la mismariñónsiempre se mantuvieron juntos. No se utilizó información de un conjunto de prueba de un pliegue de validación cruzada para informar el entrenamiento del pliegue correspondiente. Las predicciones para las diapositivas retenidas se generaron por parches de acuerdo con el esquema de división de imágenes descrito anteriormente (es decir, parches de 2048 × 2048 píxeles con 1664- píxeles de zancada), y los resultados se volvieron a ensamblar para producir mapas de probabilidad de salida para WSI completos.

PostprocesamientoSe utilizó un laplaciano estándar de algoritmo de detección de manchas gaussianas, muy adecuado para identificar regiones circulares de alta intensidad de imagen en múltiples escalas,35 para localizar glomérulos individuales a partir de los mapas de probabilidad. Por cientoglomeruloesclerosis globalse calculó mediante la fórmula 100 × S/N, donde S es el número de glomérulos globalmente esclerosados ​​y N es el recuento total de glomérulos.

Análisis estadísticoLa concordancia de píxeles entre la anotación y los mapas de probabilidad de predicción se cuantificó a través del coeficiente Dice y la intersección sobre la métrica de unión, calculada en conjunto para todos los píxeles en cada etiqueta de salida. Los recuentos de glomérulos se obtuvieron después del procesamiento de detección de manchas en canales de mapa de probabilidad esclerosados ​​y no esclerosados. Por cientoglomeruloesclerosis globalse calculó a partir de estos recuentos para imágenes individuales y parariñones, agrupando los recuentos de todos los niveles (típicamente 2) asociados con cadariñón.Los recuentos de glomérulos se compararon con la verdad del terreno de anotación, y la precisión se evaluó mediante el coeficiente de correlación r de Pearson y el error cuadrático medio (RMSE). Cantidades correspondientes por cientoglomeruloesclerosis globalse calcularon para las estimaciones de los patólogos de guardia, y esos valores se compararon con el rendimiento del modelo.

Categorización deriñonescomo "aceptable" para trasplante o "rechazado" se determinó en un 20 por cientoglomeruloesclerosis global, un punto de corte comúnmente utilizado en la práctica clínica actual basado en datos históricos. Se calculó una puntuación F1 en función de discriminar correctamente si una muestra estaba por encima o por debajo del punto de corte del 20 por ciento con respecto a las anotaciones de verdad en el terreno. También se calculó el coeficiente κ de Cohen (un indicador de concordancia entre evaluadores) para la discriminación del modelo y de los patólogos de guardia en el punto de corte del 20 por ciento, en comparación con la anotación de verdad en el terreno y entre sí.

Porque la definición deglomeruloesclerosis globalse expresa naturalmente como la media de una distribución beta dada por los parámetros S (número de glomérulos globalmente esclerosados) y (N − S) (número de glomérulos no globalmente esclerosados), se usó para calcular los intervalos de predicción del 95 por ciento que sirven como indicador de precisión de salida. Una P 2-cara < .05="" se="" consideró="" estadísticamente="" significativa.="" todos="" los="" análisis="" estadísticos="" se="" realizaron="" desde="" marzo="" de="" 2018="" hasta="" agosto="" de="" 2020="" con="" los="" paquetes="" de="" python="" scikit-learn,="" versión="" 0.22.1="" y="" scipy.stats,="" versión="">

Resultados

Visualización de salidaLas salidas de imágenes pronosticadas para WSI de sección congelada y sección permanente mostraron un acuerdo cualitativo con los mapas de anotación objetivo (Figura 1). Los coeficientes agregados de Dice fueron 0.784 para glomérulos no globalmente esclerosados ​​y 0.600 para glomérulos globalmente esclerosados; La intersección agregada sobre las métricas de unión para los mismos grupos fue de 0,645 para los glomérulos no esclerosados ​​globalmente y de 0,429 para los glomérulos esclerosados ​​globalmente. En particular, incluso las secciones congeladas con artefactos sustanciales mostraron una concordancia visual cualitativa entre la verdad del terreno de anotación y las predicciones (ejemplo que se muestra en la Figura 1A).

Evaluación del porcentaje de glomeruloesclerosis global basada en portaobjetos individualesValidación cruzadaglomeruloesclerosislas predicciones en diapositivas individuales también exhibieron una correlación con las anotaciones (r {{0}}.916; IC del 95 por ciento, 0.886-0.939; y RMSE=5.631 ; IC del 95 por ciento, 4.{{10}}.517; P < .001)="" (figura="" 2a).="" la="" separación="" de="" los="" resultados="" por="" la="" técnica="" de="" preparación="" del="" portaobjetos="" indicó="" que="" las="" predicciones="" en="" las="" secciones="" congeladas="" mostraron="" una="" correlación="" similar="" con="" la="" realidad="" del="" terreno="" (r="0.918;" ic="" del="" 95="" por="" ciento,="" 0.879-0.944;="" rmse="" {{="" 20}}.20;="" p="">< .001)="" (efigura="" 3a="" en="" el="" suplemento),="" mientras="" que="" el="" grupo="" permanente="" mostró="" un="" mayor="" rendimiento="" (r="0.940;" ic="" del="" 95="" por="" ciento,="" 0.896-0.965;="" rmse="4.32;" p="">< .001)="" (efigura="" 3d="" en="" el="" suplemento).="" el="" número="" total="" de="" glomérulos="" detectados="" por="" el="" modelo="" se="" muestra="" en="" la="" figura="" 3a="" y="" b,="" que="" ilustran="" las="" correlaciones="" de="" los="" glomérulos="" no="" globalmente="" esclerosados="" ​​con="" la="" realidad="" del="" terreno="" (r="0.955;" ic="" del="" 95="" por="" ciento,="" 0.938-0.967="" ;="" rmse="8.383;" p="">< .001)="" y="" glomérulos="" globalmente="" esclerosados="" ​​con="" verdad="" fundamental="" (r="0.934;" ic="" del="" 95="" por="" ciento,="" 0.909-0.952;="" rmse="" {{50="" }}.718;="" p="">< .001).="" las="" diferencias="" medias="" (de)="" del="" recuento="" de="" glomérulos="" entre="" la="" anotación="" y="" la="" predicción="" fueron="" 3,1="" (7,8)="" para="" los="" glomérulos="" no="" esclerosados="" ​​globalmente="" y="" 0,2="" (4,7)="" para="" los="" glomérulos="" esclerosados="" ​​globalmente.="" se="" observaron="" resultados="" positivos="" similares="" para="" los="" recuentos="" de="" glomérulos="" previstos="" al="" separar="" los="" portaobjetos="" por="" tratamiento="" (efigura="" 2a,="" b,="" e="" y="" f="" en="" el="">

Evaluación del porcentaje de glomeruloesclerosis global basada en diapositivas agrupadas Los niveles agrupados mejoraron el rendimiento del recuento de glomérulos del modelo (Figura 3C y D; eFigura 2C, D, G y H en el Suplemento), así como la correlación de glomeruloesclerosis con anotaciones, como se muestra en la Figura 2B ( r=0.933; IC del 95 por ciento, 0.898-0.956; y RMSE=5.094; IC del 95 por ciento, 3.{{ 13}}.301; P < .001,="" para="" secciones="" congeladas="" y="" permanentes="" combinadas),="" mejorando="" el="" desempeño="" de="" los="" patólogos="" de="" guardia="" en="" los="" mismos="" casos="" (r="0.884;" ic="" del="" 95="" por="" ciento,="" 0.{{21}="" }.923="" y="" rmse="6.523;" ic="" del="" 95="" por="" ciento,="" 5.191-7.783;="" p="">< .001)="" (figura="" 2c).="" el="" error="" de="" glomeruloesclerosis="" global="" medido="" por="" rmse="" fue="" un="" 22="" por="" ciento="" más="" bajo="" para="" el="" modelo="" que="" para="" los="" patólogos="" de="" guardia.="" la="" concordancia="" entre="" las="" predicciones="" del="" modelo="" de="" glomeruloesclerosis="" global="" para="" niveles="" individuales="" y="" agrupados="" se="" muestra="" en="" la="" efigura="" 4="" del="" suplemento="" como="" un="" valor="" residual="" con="" respecto="" a="" la="" verdad="" del="" terreno="" de="">

tratamiento del trastorno renal sexual

Evaluación del riesgo de caracterización errónea del riñón Los resultados de glomeruloesclerosis global porcentual agrupados para las anotaciones, las predicciones del modelo y los patólogos de guardia se clasificaron y trazaron en orden de glomeruloesclerosis global porcentual creciente para los 83 riñones incluidos en el estudio, junto con los intervalos de predicción del 95 % correspondientes y el punto de corte del 20 por ciento para la aceptación o el rechazo del trasplante de órganos de donantes (Figura 4B-F). Debido a que todos los niveles de la sección son evaluados por los patólogos de guardia en el momento de la biopsia, sus resultados se consideran evaluaciones conjuntas. Los riñones con intervalos de predicción que superponen la línea del punto de corte del 20 por ciento tienen más riesgo de aceptación o rechazo erróneos si los recuentos de glomérulos se estiman incorrectamente. La probabilidad de categorizar erróneamente un riñón con más del 20 por ciento de glomeruloesclerosis global se muestra en la Figura 4A. Usando diapositivas individuales, la tasa de error proyectada del modelo DL fue un 15 por ciento más baja que la de los patólogos de guardia y casi idéntica a las anotaciones de verdad en el terreno (es decir, el caso ideal). Con niveles agrupados, la tasa de error proyectada del modelo DL se redujo a un 37 por ciento menos que la de los patólogos de guardia. De manera similar, la tasa de error proyectada del modelo DL para la aceptación errónea de órganos usando niveles individuales fue un 21 por ciento más baja que la de los patólogos de guardia y un 34 por ciento más baja cuando se usaron niveles agrupados.

La puntuación F1 y Cohen κ mostraron resultados similares. La puntuación F1 del modelo DL para niveles individuales que tienenglomeruloesclerosis globalpor debajo del 20 por ciento fue 0.896, y 0.950 para aquellos niveles individuales por encima del 20 por ciento. Estas métricas mejoraron al agrupar los niveles a 0.926 para aquellos por debajo del 2{{20}} por ciento y 0.964 por aquellos por encima del 20 por ciento. Esto se comparó favorablemente con las puntuaciones F1 para los patólogos de guardia de 0,852 para los que están por debajo del 20 por ciento y 0,929 para los que están por encima del 20 por ciento. Cohen κ para las predicciones del modelo en niveles individuales con respecto a la realidad del terreno fue de 0,847, mejorando a 0,891 para los niveles agrupados. Cohen k para

patólogos de guardia con respecto a las anotaciones agrupadas fue menor, en un valor de 0.781, y fue 0.714 en comparación con las predicciones de nivel agrupadas del modelo. La concordancia entre los resultados del patólogo y del modelo para los resultados de nivel agrupados se muestra en la eFigura 5 en el Suplemento como un residuo con respecto a la realidad del terreno, ordenados por la realidad del terrenoglomeruloesclerosis globalporcentaje y recuento total de glomérulos. El valor del examen multinivel se muestra evaluando los intervalos de predicción de la distribución beta. Una ilustración de la distribución beta para una muestra de biopsia hipotética con un 15 por cientoglomeruloesclerosis globalse muestra en la Figura 5A para grupos de 1, 2, 3 y 4 niveles, asumiendo que cada nivel tiene 58 glomérulos observados (el número medio para este estudio). La altura de cada curva en un valor dado en el eje horizontal se puede interpretar como la probabilidad relativa de estimar el porcentajeglomeruloesclerosis globalser ese valor, dada la verdadera distribución de glomérulos esclerosados ​​y normales. El área bajo la curva da una estimación de la probabilidad de obtenerglomeruloesclerosis globalestimaciones dentro de los límites de integración. La distribución se estrechó con una mayor agrupación. Más importante aún, el área normalizada bajo la curva más allá del punto de corte de rechazo nominal del 20 por ciento disminuyó del 14 por ciento usando solo un nivel al 2 por ciento cuando se agruparon 4 niveles (Figura 5B), una disminución de 7-veces en la probabilidad de sobreestimar incorrectamenteglomeruloesclerosis globaly descartar erróneamente lo que debería ser un órgano utilizable. Para ilustrar aún más los beneficios de la combinación de niveles, los glomérulos cuentan para 1000 evaluaciones seleccionadas al azar de muestras de biopsia de donantes (de la misma base de datos que las 83especímenes de biopsia renalutilizado en este estudio) se utilizaron para simular los efectos de la combinación de niveles para una gran población. los

Las estimaciones del patólogo de guardia se usaron como sustitutos de los recuentos reales de glomérulos y la combinación de datos se simuló multiplicando los recuentos informados por nivel por el número de niveles simulados en el grupo. Aplicando el análisis descrito anteriormente a este escenario, el número de descartes de órganos erróneos por cada 1000riñoneswould 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 por ciento de glomeruloesclerosis global) y se enviaron a un patólogo, quien evaluó las imágenes histológicas con clasificaciones de glomérulos generadas por modelos superpuestos. Luego, el patólogo corrigió cualquier glomérulo perdido o etiquetado incorrectamente de una manera y en un marco de tiempo consistente con la práctica clínica actual. La evaluación modificada por el patólogo se correlacionó mejor con la realidad del terreno (r=0.958) y tuvo un error menor (RMSE=4.352) que el patólogo de guardia (r=0. 613; RMSE=0.898) o el modelo DL solo (r=0.847; RMSE=7.535) (eFigura 7 en el Suplemento).

Discusión

El modelo DL produjo resultados alentadores, tanto en hallazgos cualitativos (visuales) como cuantitativos, y recapituló los resultados descritos en trabajos anteriores por miembros de nuestro grupo en un conjunto de entrenamiento más pequeño.34 El modelo funcionó bien usando secciones congeladas o secciones permanentes, mejorando en -convocatoria de actuación de los patólogos. El tiempo para que el modelo procesara un WSI individual fue de aproximadamente 5 minutos, dentro de las limitaciones típicas de una consulta intraoperatoria de patología.

La ampliación de los errores de conteo cuando se usa una muestra pequeña destaca el valor obtenido al agrupar los resultados de múltiples niveles obtenidos de una solabiopsia renal.El grosor típico de un donantebiopsia renalespécimen es de 1 mm. El patólogo solo examina una sección representativa de 5-μm de espesor de este tejido, lo que deja una porción sustancial de tejido sin evaluar.riñónsin examinar Aunque los glomérulos muestreados en secciones subsiguientes pueden no ser independientes, el proceso de preparación del portaobjetos puede conducir a una variabilidad sustancial de sección a sección en la glomeruloesclerosis global, independientemente de la variabilidad del observador (eFigura 6 en el Suplemento). Al evaluar más secciones de tejido, se puede minimizar el efecto de esta variabilidad y mejorar la confiabilidad de la evaluación de la muestra de biopsia. Este beneficio se observa claramente en el presente estudio para cada métrica (Figuras 2-4), todas las cuales exhibieron una mejora con el examen de tejido adicional.

El estándar de atención actual requiere la evaluación de solo 25 glomérulos y de 1 a 2 niveles de sección porque los patólogos humanos prácticamente no pueden lograr más evaluaciones en el contexto sensible al tiempo del trasplante de órganos. El uso de técnicas de DL para aumentar la capacidad humana en este entorno podría agregar órganos vitalmente necesarios al grupo de donantes. Un posible flujo de trabajo clínico con la incorporación de técnicas de DL podría ser el siguiente: una muestra llega al laboratorio de cortes congelados, donde se prepara y escanea un portaobjetos de cortes congelados. Luego, el WSI se carga en una ubicación segura para su análisis utilizando el modelo DL. Mientras se analiza el modelo de DL, el patólogo puede iniciar sesión y revisar la muestra en busca de otros hallazgos pertinentes. El resultado del modelo DL estaría disponible en 5 a 10 minutos, presentado al patólogo como una superposición gráfica de clasificaciones de glomérulos en la imagen histológica, luego verificado (y modificado si es necesario) por el patólogo e incorporado en el informe. El informe real interactuaría directamente con el registro de salud electrónico clínico.

LimitacionesHay algunas limitaciones en este estudio. Fue un estudio de un solo centro. Aunque los WSI se generaron utilizando 2 escáneres en 2 instituciones, el conjunto de datos de la sección congelada se generó en su totalidad en 1 institución, mientras que el conjunto de datos de la sección permanente se generó a partir de otra. Aunque un pequeño conjunto de datos preliminares (n=17) sugirió que las predicciones del modelo en secciones congeladas exhibieron una correspondencia razonable con las secciones permanentes asociadas y que el modelo superó a los patólogos de guardia en estas secciones congeladas (eFigura 8 en el Suplemento), esto El estudio no abordó directamente el tema separado de qué tan cerca se correspondían las secciones congeladas (así como las evaluaciones de las mismas por parte de los patólogos) con las secciones permanentes adquiridas y procesadas posteriormente a partir de la misma muestra de biopsia.

El conjunto de datos fue pequeño en comparación con otros estudios de DL. Sin embargo, se examinaron en total casi 8500 glomérulos, un número relativamente alto. La limitación en la evaluación de un mayor número de casos radica en el proceso lento de anotar WSI en serie. Para evaluar aún más la solidez de este modelo, se requerirán estudios adicionales en los que el modelo se pruebe utilizando WSI generados a partir de laboratorios y escáneres adicionales.

ConclusionesEste estudio de pronóstico encontró un mejor rendimiento para cuantificar el porcentajeglomeruloesclerosis globalde WSI de trasplante de donante congelado y teñido con hematoxilina-eosina permanenteespecímenes de biopsia renalpor un modelo de DL que por patólogos certificados por la junta de guardia. El rendimiento se mejoró aún más al examinar secciones de tejido adicionales, un proceso que está más allá de la capacidad de los patólogos en la naturaleza sensible al tiempo de evaluar muestras de biopsia de donantes. Los resultados indicaron una menor probabilidad de caracterizar erróneamente el porcentajeglomeruloesclerosis globalcuando se utiliza el modelo DL, lo que reduce la probabilidad de descartar órganos de donantes inadecuados o de utilizar un órgano que no es óptimo. Los hallazgos ilustran las ganancias sustanciales que podrían obtenerse utilizando métodos de DL en la práctica clínica de patología quirúrgica.