신장 반흔의 인공지능 평가(AIRS 연구) Ⅱ

결과

두 모델 모두 왼쪽 신장 148개, 오른쪽 신장 152개, 오른쪽 신장 73개를 포함한 92명의 환자로부터 총 152개의 CT 스캔을 통해 훈련되고 검증되었습니다.신장 이식. 환자 특성은 표 1에 요약되어 있습니다. 55명의 환자는 최소 또는 경도(~25%) 섬유증을 앓고 있었고, 14명의 환자는 중등도(25%~50%) 섬유증으로 분류되었으며, 23명의 환자는 중증(0.50%) 섬유증을 앓고 있었습니다. 평균 eGFR은 경증, 중등도, 중증 섬유증 그룹에서 각각 37,626, 25,618, 1.73m2당 16,613ml/min이었습니다. 경증/중등도 섬유증 환자는 신장 CT 영상에서 중증 섬유증 환자에 대한 분석을 위해 분류되었습니다.평균 신장 용적경증/중등도 대 중증(~50% 대 $50%) 섬유증 그룹에서 217cm3(범위 48~668) 대 76cm3(범위 3~347)이었습니다. 섬유증 점수가 일치하지 않는 환자 생검이 한 명 있었고(의료 차트 보고서를 현재 병리학자 검토와 비교) 두 번째 병리학자의 맹검 검토를 통해 근거 진실이 결정되었습니다(감사의 글 참조).

cistanche treat kidney disease

CISTANCHE가 신장 환자를 치료하는 데 시간이 얼마나 걸리나요?

교차 접기 검증에서 슬라이스별 모델은 0.917의 전체 AUC를 산출한 반면, 복셀 기반 접근 방식은 0.922의 전체 AUC를 산출했습니다(그림 2). 두 CNN 알고리즘에 걸쳐 평가된 다양한 임계값에서의 모델 정확도, 민감도, 특이성, PPV 및 NPV는 표 2에 요약되어 있습니다. 예측 임계값 {{10}}.5에서 슬라이스 바이 -슬라이스 접근 방식은 0.831의 정확도, 0.817의 민감도, {{20}}.852의 특이도, 0.886의 PPV를 제공했습니다. , NPV는 0.767입니다. 동일한 예측 임계값 0.5에서 복셀 기반 접근 방식은 정확도 0.879, 민감도 0.853, 특이도 {{35}로 유사한 결과를 산출했습니다. }.916, PPV는 0.935, NPV는 0.816입니다. 실제 병리학 보고서와 비교할 때 복셀 기반 접근 방식은 13개의 위양성(심각한 것으로 분류된 경증/중등도 섬유증), 32개의 위음성(심각한 섬유증이 감지되지 않음, 15% 누락률), 187개의 참양성 및 141개의 참음성을 생성합니다. .

계층화된 하위 코호트 분석의 결과는 표 3에 나와 있습니다. 두 모델의 전반적인 성능은 조영 후 검사 및/또는위축성 원시 신장 제외이식을 받은 환자의 경우. 조영후 검사를 제거한 후 복셀 기반 CNN 전략에 대해 성능({{0}}.86 정확도)이 약간 감소한 것으로 나타났습니다. 다른 모든 순열은 $0.90의 정확도를 보여주었습니다. 또한 제조업체가 독점적으로 훈련 세트(Philips, GE)와 검증 세트(Siemens)를 계층화한 후에도 전체 모델 일반화 가능성이 보존되었습니다. 우리의 예측 도구와 다른 CNN 연구의 비교신장 질환 평가매개변수는 합계입니다.표 4에서 결혼했다.

Echinacoside of cistanche can improve kidney function

논의

우리는 기계 학습 도구를 개발하기 위해 AIRS 연구를 시작했습니다.신장 섬유증 정량화신장 생검에 대한 비침습적 진단 대안으로 사용됩니다. 92명의 환자로 구성된 코호트에서 우리는 300명의 환자를 분석했습니다.기본 신장 이미지152건의 복부 CT 스캔에서 73건의 신장 이식. 우리는 글로벌 슬라이스별 및 복셀 기반 CNN 모델이 심각한 상태와 가벼운 상태를 구별하는 데 유사하다는 것을 발견했습니다.중등도 신장 섬유증, AUC {{0}}.917 대 0.922, PPV 0.886 대 0.935로,신장 생검 보고서. 두 CNN 모델 모두 다른 CT 스캐너에 대해 테스트했을 때와 이식을 받은 환자의 위축된 원래 신장을 제외했을 때 일관되게 수행되었습니다. 전체 슬라이스별 모델은 비조영 CT 스캔만 테스트했을 때 예측 정확도가 약간 더 높았습니다.

단백뇨, 이식 거부 또는 설명할 수 없는 신장의 관리를 안내하기 위해 조직학적 진단이 필요할 때 진단 신장 생검은 여전히 표준 치료입니다.기능 장애 (1,2). 그러나, 특히 환자가 항응고 요법을 받고 있거나 빈혈 또는 혈소판 감소증이 있는 경우, 자연 신장 생검을 추구하기로 한 결정은 복잡할 수 있습니다., 이는 심각한 합병증의 위험을 증가시킬 수 있습니다.수혈, 혈관 조영술 중재,및 사망(전체 사고율 2%, 0.3%, 0.06%,각각) (6). 정도를 평가하는 비침습적 도구신장의fibrosis는 부족하며(7), 현재까지 UTI가 없습니다.주관성을 최소화하고편견. 이러한 도구는 평가 시 유용할 수 있습니다.만성 신장 손상의 다른 지표와 관련된 내용(e.g., 부갑상선 호르몬 및 인산염 상승). 동등하다ticular, 심각한 예측 (.50%) fibrosis는 정당화될 수 있다환자가 신장 생검을 하지 않을 것이기 때문에 신장 생검을 피함면역 조절 요법의 후보가 될 수 있습니다(i.e.,생검은 임상 관리를 변경하지 않습니다). 이 정보예를 들어, 환자가 현재 있는 경우에는 관계가 중요합니다.진행된 신부전과 알려지지 않은 의학적 상태노상 강도. 최적화를 위해 생검 바늘을 추가로 통과시킵니다.

조직학을 위한 사구체 샘플링섬유성 신장출혈 위험이 증가할 수 있습니다(22). CT 스캔의 CNN 분석에서 심각한 정도의 섬유증이 예측되면 의료진은 환자와 의사결정을 공유한 후 생검 샘플링을 제한하거나 신장 생검을 완전히 피하기로 결정할 수 있습니다. 주목할 만한 점은, 이식 후보 평가를 안내하거나 전신 질환의 병인을 결정하기 위해 신장 전문의의 재량에 따라 겉보기에 말기 신장에 진단적 자연 신장 생검이 여전히 필요할 수 있다는 것입니다.

우리는 예측 임계값 0.5가 임상 의사 결정의 향후 적용 가능성과 관련하여 가장 좋은 성능을 발휘한다는 점에 주목했습니다. 목표는 다음과 같은 환자를 식별하는 것입니다.고급 신장fibrosis를 유발하므로 침습적 생검을 피합니다.그리고 위에서 논의한 잠재적 출혈 합병증.복셀 기반 CNN 모델의 경우 임계값 0.5는

PPV가 94%인 진행성 신장 섬유증 환자의 85%를 식별합니다(표 2). 임계값을 0.9로 올리면 PPV가 95%로 약간 향상되지만 민감도는 85%에서 72%로 크게 감소합니다(즉, 심각한 섬유증이 있는 개인의 28%를 놓칠 수 있음).

effect of cistanche improve kidney function (2)

현재 제안된 알고리즘의 주요 제한 사항은 딥러닝 예측 전에 각 신장에 대해 수동으로 관심 영역을 정의해야 한다는 것입니다.

그러나 이 연구의 일부로 3차원 신장 윤곽이 생성되었지만 각 새로운 환자에 대한 예측(즉, 훈련과 별도로)에는 신장 주위의 거친 경계 큐브만 정의하면 됩니다. . 완전 자동화된 엔드 투 엔드 프로세스를 촉진할 딥 러닝 기반 전체 신장 분할을 위한 알고리즘이 개발되고 있습니다(23,24). 또 다른 한계는 단일 신장에 걸친 섬유증 정도의 이질성이 알고리즘 실제 진실 및 검증에 오류의 원인이 될 수 있다는 것입니다. 이 연구에서 우리는 소량의 깨끗한 데이터를 활용하는 대신 잠재적으로 잡음이 많은 데이터(전체 신장이 분할됨)를 포함하는 것의 균형을 우선시하기로 결정했습니다. 경험적으로 이 전략은 빅 데이터 딥 러닝 작업에서 흔히 사용되며, 0.911의 알고리즘 예측 AUC에 대한 관찰은 이 전략으로 인해 발생하는 노이즈 정도가 보통 수준임을 시사합니다. 이러한 CNN 예측 알고리즘의 향후 개선은 크레아티닌, 부갑상선 호르몬 및 헤모글로빈과 같은 CKD와 관련된 임상 실험실 값의 통합을 통해 탐구될 것입니다. 더 큰 데이터세트가 있을 경우 알고리즘 출력은 더 광범위한 정량적 비닝을 포함하도록 더욱 최적화될 수 있습니다.(정도fi브로시스,25%, 25%–50%, 50%–75%, 그리고.75%). 마지막으로 현재 알고리즘이 훈련되고 유효하다는 점을 고려하면단일 기관의 데이터에 대한 날짜가 지정된 경우 추가 작업이 필요합니다.연구된 것 이상으로 일반화 가능성을 평가하는 데 필요함환자 집단.

우리가 아는 바로는 AIRS 연구는 CNN 모델을 활용하여 영상 스캔을 통해 신장 섬유증의 정도를 예측한 최초의 연구입니다. 결과는 유망하며 다음을 제공합니다.향후 시험에서 이러한 CNN 도구를 테스트하기 위한 기반다음과 같은 경우 임상 의사결정에 있어 그 유용성을 검증합니다.환자인지 불분명'신장 질환은 급성이다

만성병 환자.

kidney function

공개

J. Zuckerman은 Leica Biosystems와 컨설팅 계약을 맺었다고 보고합니다. ApotheCom으로부터 사례금을 받았다고 보고합니다. 과학 고문 또는 병리학 개요의 회원임을 보고합니다.com.com. P. Chang은 다음과 컨설팅 계약을 맺었다고 보고합니다.Canon Medical로부터 연구 자금 지원을 받고 있습니다. 그리고 보고서는Avicenna.ai의 소유권을 보유하고 있습니다. WL Lau는 다음과 같이 보고합니다.Ardelyx 및 Fresenius와의 컨설팅 계약; 보고서미국심장협회로부터 연구 자금을 지원받고,허브 치료제(Hub Therapeutics) 및 국립 보건원(National Institutes of Health); 그리고

Roche Australian Nephrology Preceptorship으로부터 사례금을 받았다고 보고합니다. 나머지 모든 저자는 공개할 내용이 없습니다.

자금 조달

이 프로젝트는 2019-2021년 캘리포니아 대학교 어바인 의학부 석좌 연구상에서 자금을 지원 받았습니다.

저자들은 맹검 검토에 대해 Anthony Sisk 박사(캘리포니아 로스앤젤레스 대학교 David Geffen 의과대학 병리학 및 진단검사의학과)에게 감사드립니다.불일치하는 생검 환자는 근거 진실을 결정합니다.

저자 기여

WL Lau는 연구를 개념화했습니다. C. Chantaduly, K. Perez Reyes, H. Troutt 및 J. Zuckerman이 데이터 큐레이션을 담당했습니다. P. Chang, C. Chantaduly 및 J. Zuckerman이 담당했습니다.공식적인 분석을 위해; WL Lau는 다음을 담당했습니다.자금 조달; C. Chantaduly와 K. Perez Reyes는조사에 대한 책임이 있습니다. P. Chang, C. Chantaduly, J.Zuckerman은 방법론을 담당했습니다. WL 라우와H. Troutt는 프로젝트 관리를 담당했습니다. 피창리소스와 소프트웨어를 담당했습니다. P. Chang과 WLLau는 감독을 제공했습니다. C. Chantaduly와 H. Troutt는 다음과 같은 글을 썼습니다.원본 초안; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,H. Troutt는 원고를 검토하고 편집했습니다.

참고자료

1. Luciano RL, Moeckel GW: 기본 신장 생검 업데이트: 핵심 커리큘럼 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: 기본 신장 생검: 모범 사례에 대한 업데이트 및 증거. Clin J Am Soc Nephrol 11: 354–362, 2016https (영문) https % 3a % 2f % 2fdoi.org % 2f10.2215 % 2fCJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: 신장 섬유증 진단 및 평가: 최신 기술. Swiss Med Wkly 147: 파14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; ERA-EDTA 면역신장학 실무 그룹: 2015년 신장 생검: 역학부터 증거 기반 적응증까지. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: 신장 생검 실습: 최적 기준은 무엇입니까? 세계 J 네프롤 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 , 비자얀 A, 로빈 BH; 신장 정밀 의학 프로젝트: 기본 신장 생검 합병증에 대한 체계적인 검토 및 메타 분석. 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: 초기 평가를 위한 새로운 CNN 기반 CAD 시스템 이식된 신장 기능 장애. Sci Rep 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: 신장 이식의 만성 동종이식 기능 장애에 초음파 탄성촬영술을 적용합니다. J 초음파 의학 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: 신장 동종이식 초음파 검사: 도플러 초음파 저항 지수 간의 상관 관계 (RI) 및 조직병리학. 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: 딥 러닝을 사용한 초음파 기반 신장 영상을 통한 신장 기능 예측 및 분류 자동화. 디지트 메드 2: 1–9, 2019