신장 생검 표본에서 사구체 경화증을 정량화하기 위한 딥 러닝 모델의 개발 및 검증
Mar 29, 2022
연락하다:joanna.jia@wecistanche.com/ WhatsApp: 008618081934791
소개현재 100 000명 이상의 환자가신장 이식.1 증가하는 수요에도 불구하고 이식을 위해 회수된 신장의 17~20%가 폐기됩니다.2-4 장기 부족과 신장에 대한 수요 증가신장 이식, 불필요한 장기 폐기를 줄이는 것이 시급합니다.3
생검 결과는 기증자의 신장을 사용하거나 폐기하는 결정에서 가장 중요한 요소로 보고됩니다.5 많은 조사에서 기증자의 만성 손상과 관련이 있습니다.신장 생검 표본이식 결과와 함께.{0}} 20% 수준글로벌 사구체 경화증는 이식 결정의 기준점으로 자주 사용되며, 생검 결과가 미국에서 장기 이식이 거부되는 가장 일반적인 이유의 근간이 되는 주요 요인입니다.4
최근 연구에 따르면 기증자 생검 표본 해석이 다양하고 일관성이 없기 때문에 허용 가능한 신장이 폐기되고 있습니다.글로벌 사구체 경화증사람에 따라 크게 달라질 수 있습니다.{0}} 동결 인공물, 하위 전문 지식의 부족, 부적절한 샘플링 및 이러한 평가의 시간에 민감한 특성은 모두 사람의 실수에 기여합니다.
최근에 딥 러닝(DL)은 조직 병리학적 검사에서 재현성과 정확성을 향상시킬 수 있는 가능성을 보여주었습니다.{0}} 다른 실험실의 이전 연구에서는 비경화성 및 전역 경화성 사구체의 자동 감지를 위해 DL 접근 방식을 사용했습니다.{1}}그러나 , 이러한 기술은 냉동 섹션의 시간에 민감한 설정에서 비실용적인 과요오드산-Schiff 또는 Masson trichrome 염색과 같은 특수 염색에 의존합니다. 우리 그룹 구성원의 이전 작업은 우리가 아는 한 보고된 유일한 결과를 설명하며 퍼센트 자동 정량화에 대한 고성능을 보여줍니다.글로벌 사구체 경화증hematoxylin-eosin 염색 냉동 절편의 전체 슬라이드 이미지(WSI) 사용.
우리는 기증자 검사에 대한 DL 접근 방식을 가정합니다.신장 생검 표본백분율 평가에서 인간 병리학자를 능가할 것입니다.글로벌 사구체 경화증여러 수준의 섹션을 검토하여 추가 향상이 가능합니다. 이 증가된 조직 샘플링은 불필요한 장기 폐기 가능성을 줄이는 것으로 가정되며 DL 기술이 사용 가능한 기증자 장기 풀의 실질적인 증가와 관련이 있는지 여부에 대한 질문을 해결할 것입니다.
키워드:사구체 경화증,신장, 신장 생검 검체, 신장 이식, 전체 사구체 경화증
행동 양식이 연구는 진단 및 예후 연구를 위한 TRIPOD(개별 예후 또는 진단을 위한 다변수 예측 모델의 투명 보고 지침) 보고 지침을 따랐습니다. 이 연구는 기존 데이터 세트에서 식별할 수 없는 생체 표본만을 사용했기 때문에 정보에 입각한 환자 동의를 얻을 필요성을 포기한 Washington University 기관 검토 위원회의 검토 및 승인을 받았습니다.
데이터 수집WSI는 죽은 기증자 생검 표본(헤마톡실린-에오신 염색 냉동 절편 98개와 영구 절편 51개)에서 획득했으며 총 83개에서 검색했습니다.신장쐐기 및 바늘 샘플을 모두 사용하여. 동결 절편 생검 표본과 영구 절편 생검 표본은 다른 신장에서 얻었습니다. 83개 표본 중 62개가 최소 2단계의 단면을 가지고 있었습니다. 워싱턴 대학 데이터베이스의 생검 표본 이미지는 Gift of Life Michigan(Sakura 스캐너를 사용하여 2015년 8월과 2016년 11월 사이에 검색됨, 배율, x20) 및 Washington University(2015년 6월에서 2017년 6월 사이에 검색된 Mid-America Transplant를 사용하여 Aperio Scanscope CS 스캐너, 배율, ×20). 이 날짜 사이에 제출하고 수술을 받은 사망한 장기 기증자신장 생검디지털 수술 중 병리학적 검사를 위해 이 연구에 적합했습니다. 기증자의 인구통계학적 특징과 임상적 특징은 조사자들에게 알려지지 않았다. 모든 스캔은 전체 해상도(0.5μm/픽셀)에서 SVS에서 TIFF 형식으로 변환되었습니다. 이미지 크기의 범위는 105메가픽셀에서 1448메가픽셀입니다.
데이터 주석슬라이드에는 보드 인증 전문가가 처음으로 비경화성 및 경화성 사구체에 대해 주석을 달았습니다.신장병리학자(PW 또는 JPG), 기증자 통역 경험이 있는 두 번째 위원회 공인 병리학자(TCL)가 수정신장 생검 표본, 그리고 다른 보드 인증 전문가의 최종 수정신장병리학자(PCW 또는 JPG). 최종 수정된 주석은 모델 교육 및 평가를 위한 기본 정보(즉, 황금 표준)로 사용되었습니다. 각 개정판에 따른 사구체 수의 일반적인 변동성은 부록의 e그림 1에 나와 있습니다. Fiji32용으로 작성된 사내 플러그인을 사용하여 각 WSI에서 사구체를 수동으로 윤곽을 지정하고 분류하여 상위 WSI와 동일한 해상도에서 사구체 영역의 픽셀 단위 레이블 마스크를 생성했습니다. 사구체는 전체적으로 경화성(노화, 응고 및 소실을 포함하는 전체 사구체 다발을 포함하는 경화로 정의됨)으로 분류되었습니다.글로벌 사구체 경화증)또는 비전역 경화증. 다른 모든 영역은 함께 그룹화되어 tubulointerstitium으로 표시되었습니다. 총 1544개의 전체적으로 경화된 사구체와 6914개의 비전역적으로 경화된 사구체가 149개의 개별 이미지에 표시되었습니다. 생검 표본은 광범위한 퍼센트를 나타내었습니다.글로벌 사구체 경화증(0퍼센트 -77퍼센트 ). 슬라이드당 사구체의 평균(SD) 수는 57(31)이었습니다.
DL 모델 아키텍처이 연구에서 사용된 DL 모델은 이전 작업에서 설명한 VGG16 아키텍처33를 기반으로 하는 완전 컨볼루션 신경망으로, 여기에는 우리 그룹의 구성원이 포함되었습니다.34 간단히 말해서 데이터는 가중치가 아래 고정된 사전 훈련된 VGG16 기반 네트워크에 입력되었습니다. 병목 현상(즉, 조밀하게 연결된 분류 계층 직전). VGG16 조밀하게 연결된 분류 계층은 학습 가능한 가중치를 가진 5개의 완전 컨볼루션 계층으로 대체되었습니다. 전체 네트워크를 통한 완전한 컨볼루션 아키텍처의 사용은 각 입력 이미지 패치에 대해 "이미지에서 레이블로" 변환이 아닌 "이미지에서 이미지" 변환을 가능하게 했으며 후자는 덜 정확하고 훨씬 더 많은 접근 방식입니다. 계산 비용이 많이 듭니다.34 완전 컨볼루션 모델은 입력 이미지 패치에 등록된 다운샘플링된 픽셀 맵을 생성하여 각 출력 픽셀이 세뇨관간질, 비전역 경화 사구체 또는 전역 경화 사구체일 확률을 제공합니다.
훈련 매개변수이미지는 학습 입력을 위해 부분적으로 겹치는 2048 × 2048-픽셀(1024 × 1024μm) 이미지 패치(스트라이드, 1664픽셀 또는 838μm)로 분할되었습니다. 전체 이미지 패치 풀(각 교차 검증 훈련 세트에서 약 6500개의 패치, 단일 에포크의 길이)에서 무작위로 샘플링하여 훈련용 패치를 선택했습니다. 입력 패치를 무작위로 뒤집거나 회전(0도, 90도, 180도 또는 270도)하여 8-총 약 52 000 가능한 학습 패치에 대한 학습 데이터의 배수 증가를 생성했습니다. 샘플링 풀. 훈련은 범주형 교차 엔트로피 손실을 최소화하여 TensorFlow를 사용하여 수행되었으며, 클래스 불균형을 보상하기 위해 경화성 대 비경화성 대 세뇨관 간질 범주의 비율을 10:5:1로 사용하여 클래스별로 가중치를 부여했습니다. 확률적 경사하강법 최적화는 1e-4와 1e-2 사이의 순환 학습률과 15 Epoch에 대해 4의 배치 크기로 사용되었습니다.
교차 검증모델은 10-접기 교차 검증에서 학습 및 테스트되었습니다. 여기서 WSI의 10%는 각 접기에서 학습에서 보류되었으며 결과 모델(데이터의 나머지 90%에 대해 학습됨)은 예측을 생성하는 데 사용되었습니다. 원천징수된 WSI에 대해 같은 수준의 다른 이미지신장항상 함께 했습니다. 교차 검증 폴드의 테스트 세트의 정보는 해당 폴드의 훈련을 알리는 데 사용되지 않았습니다. 보류된 슬라이드에 대한 예측은 위에서 설명한 이미지 다이싱 방식(즉, 1664- 픽셀 스트라이드가 있는 2048 × 2048 픽셀 패치)에 따라 패치 방식으로 생성되었으며 결과를 재조립하여 전체 WSI에 대한 출력 확률 맵을 생성했습니다.
후처리다중 스케일에서 높은 이미지 강도의 원형 영역을 식별하는 데 적합한 가우시안 얼룩 감지 알고리즘의 표준 라플라시안35은 확률 맵에서 개별 사구체를 지역화하는 데 사용되었습니다. 퍼센트글로벌 사구체 경화증공식 100 × S/N에 의해 계산되었으며, 여기서 S는 전체적으로 경화된 사구체의 수이고 N은 총 사구체 수입니다.
통계 분석주석과 예측 확률 맵 간의 픽셀 단위 일치는 각 출력 레이블의 모든 픽셀에 대해 집계하여 계산된 결합 메트릭과 Dice 계수를 통해 정량화되었습니다. 경화 및 비경화 확률 맵 채널에서 얼룩 검출 처리 후 사구체 수를 얻었다. 퍼센트글로벌 사구체 경화증개별 이미지 및 개별 이미지에 대해 이러한 카운트에서 계산되었습니다.신장, 각각과 관련된 모든 수준(일반적으로 2)에 대한 수를 합산하여신장.사구체 수는 Pearson 상관 계수 r 및 RMSE(Root-mean-square error)에 의해 평가된 정확도와 함께 주석 실측과 비교되었습니다. 백분율에 해당하는 수량글로벌 사구체 경화증대기 중인 병리학자의 추정치를 위해 계산되었고, 그 값은 모델의 성능과 비교되었습니다.
의 분류신장이식에 대해 "허용 가능" 또는 "거부됨"으로 20%로 결정됨글로벌 사구체 경화증, 과거 데이터를 기반으로 하는 현재 임상 실습에서 일반적으로 사용되는 컷 포인트. F1 점수는 실측 주석과 관련하여 샘플이 20% 컷 포인트 이상인지 미만인지를 정확하게 판별하는 함수로 계산되었습니다. Cohen κ 계수(평가자 간의 일치도의 지표)는 20% 컷 포인트에서 모델과 대기 중인 병리학자를 구별하기 위해 실제 주석과 서로 비교하여 계산되었습니다.
의 정의 때문에글로벌 사구체 경화증는 매개변수 S(전역적으로 경화된 사구체의 수) 및 (N - S)(비전역적으로 경화된 사구체의 수)에 의해 주어진 베타 분포의 평균으로 자연스럽게 표현되며, 다음의 지표 역할을 하는 95% 예측 구간을 계산하는 데 사용되었습니다. 출력 정밀도. 2-측면 P < .05는="" 통계적으로="" 유의한="" 것으로="" 간주되었습니다.="" 모든="" 통계="" 분석은="" python="" 패키지="" scikit-learn,="" 버전="" 0.22.1="" 및="" scipy.stats,="" 버전="" 1.4.1을="" 사용하여="" 2018년="" 3월부터="" 2020년="" 8월까지="">
결과
출력 시각화동결 단면 및 영구 단면 WSI에 대한 예측 이미지 출력은 대상 주석 맵과 정성적 일치를 보여주었습니다(그림 1). 총 주사위 계수는 비전역적으로 경화된 사구체의 경우 0.784이고 전체적으로 경화된 사구체의 경우 0.600입니다. 동일한 그룹에 대한 결합 메트릭에 대한 총 교차점은 비전역적으로 경화된 사구체의 경우 0.645이고 전체적으로 경화된 사구체의 경우 0.429였습니다. 특히, 실질적인 아티팩트가 있는 고정된 섹션도 주석 실측과 예측 사이의 질적 시각적 일치를 보여주었습니다(그림 1A에 표시된 예).
개별 슬라이드를 기반으로 한 전체 사구체 경화증의 백분율 평가교차 검증사구체 경화증개별 슬라이드에 대한 예측도 주석(r {{0}}.916; 95% CI, 0.886-0.939, RMSE=5.631 ; 95% CI, 4.{{10}}.517, P < .001)(그림="" 2a).="" 슬라이드="" 준비="" 기법으로="" 결과를="" 분리하면="" 고정된="" 섹션에="" 대한="" 예측이="" 실제와="" 유사한="" 상관관계가="" 있음을="" 나타냅니다(r="0.918;" 95%="" ci,="" 0.{18}}.944;="" rmse="" {{="" 20}}.20,="" p="">< .001)(보충의="" e그림="" 3a)="" 반면="" 영구="" 그룹은="" 더="" 높은="" 성과를="" 보였습니다(r="0.940;" 95%="" ci,="" 0.{28}}.965;="" rmse="4.32," p="">< .001)(보충의="" e그림="" 3d).="" 모델에="" 의해="" 감지된="" 사구체의="" 총="" 수는="" 그림="" 3a="" 및="" b에="" 나와="" 있으며,="" 비전역적으로="" 경화된="" 사구체와="" 실측의="" 상관관계를="" 보여줍니다(r="0.955;" 95%="" ci,="" 0.{39}}.967="" ;="" rmse="8.383;" p="">< .001)="" 및="" 전="" 세계적으로="" 경화된="" 사구체(기준="" 사실)(r="0.934;" 95%="" ci,="" 0.909-0.952;="" rmse="" {{50="" }}.718,="" p="">< .001).="" 주석과="" 예측="" 사이의="" 평균(sd)="" 사구체="" 수="" 차이는="" 비전역적으로="" 경화된="" 사구체의="" 경우="" 3.1(7.8)이었고="" 전체적으로="" 경화된="" 사구체의="" 경우="" 0.2(4.7)였습니다.="" 예측된="" 사구체="" 수에="" 대해="" 유사한="" 긍정적인="" 결과가="" 처리별로="" 슬라이드를="" 분리할="" 때="" 관찰되었습니다(보충의="" e그림="" 2a,="" b,="" e="" 및="">
풀링된 슬라이드를 기반으로 하는 전체 사구체 경화증의 퍼센트 평가 풀링 수준은 모델의 사구체 수 성능(그림 3C 및 D, 보충의 e그림 2C, D, G 및 H)과 그림 2B와 같이 주석과의 사구체 경화증 상관 관계를 개선했습니다( r=0.933, 95% CI, 0.898-0.956, RMSE=5.094, 95% CI, 3.{{ 13}}.301, P < .001,="" 결합된="" 동결="" 절편="" 및="" 영구="" 절편의="" 경우),="" 동일한="" 사례에서="" 대기="" 중인="" 병리학자의="" 성과="" 향상(r="0.884," 95%="" ci,="" 0.{21}="" }.923,="" rmse="6.523," 95%="" ci,="" 5.191-7.783,="" p="">< .001)(그림="" 2c).="" rmse로="" 측정한="" 전체="" 사구체="" 경화증="" 오류는="" 대기="" 중인="" 병리학자보다="" 모델에서="" 22%="" 낮았습니다.="" 개별="" 수준="" 및="" 통합="" 수준에="" 대한="" 전체="" 사구체="" 경화증에="" 대한="" 모델의="" 예측="" 간의="" 일치는="" 주석="" 기준="" 사실에="" 대한="" 잔차로="" 부록의="" e그림="" 4에="">
성 신장 장애 치료
신장 오 특성화 위험 평가 주석, 모델 예측 및 대기 중인 병리학자에 대한 풀링된 전체 사구체 경화증 결과는 해당 95% 예측 간격과 함께 연구에 포함된 모든 83개 신장에 대한 전체 사구체 경화증 백분율이 증가하는 순서로 정렬 및 표시되었습니다. 기증자 장기 이식 수락 또는 거부에 대한 20% 컷 포인트(그림 4B-F). 섹션의 모든 수준은 생검 시 대기 중인 병리학자에 의해 평가되기 때문에 결과는 통합 평가로 간주됩니다. 예측 간격이 20% 컷 포인트 라인과 겹치는 신장은 사구체 수가 잘못 추정되는 경우 잘못된 승인 또는 거부의 위험이 더 높습니다. 전체 사구체 경화증이 20% 이상인 신장을 잘못 분류할 가능성은 그림 4A에 나와 있습니다. 개별 슬라이드를 사용하여 DL 모델의 예상 오류율은 대기 중인 병리학자보다 15% 낮았고 실측 주석과 거의 동일했습니다(즉, 이상적인 경우). 풀링된 수준에서 DL 모델의 예상 오류율은 대기 중인 병리학자의 오류율보다 37% 낮아졌습니다. 유사하게, 개별 수준을 사용하여 잘못된 장기 수용에 대한 DL 모델의 예상 오류율은 대기 중인 병리학자보다 21% 낮았고 통합 수준을 사용할 때 34% 낮았습니다.
F1 score와 Cohen κ는 유사한 결과를 보였다. DL 모델의 개별 레벨에 대한 F1 점수는글로벌 사구체 경화증20% 미만은 0.896이었고, 20% 이상 개별 수준의 경우 0.950였습니다. 이 측정항목은 수준을 2{{2{22}}}}% 미만의 경우 0.926, 20% 초과의 경우 0.964로 풀링할 때 개선되었습니다. 이는 상시 병리학자의 F1 점수가 20% 미만의 경우 0.852, 20% 이상인 경우 0.929로 유리하게 비교됩니다. 실측과 관련하여 개별 수준의 모델 예측에 대한 Cohen κ는 0.847이었고 통합 수준의 경우 0.891로 개선되었습니다. 코헨 κ
풀링된 주석과 관련하여 대기 중인 병리학자는 모델의 풀링된 수준 예측과 비교할 때 0.781의 값으로 더 낮았고 0.714였습니다. 통합 수준 결과에 대한 병리학자와 모델 결과 간의 일치는 보충 자료의 eFigure 5에 ground truth를 기준으로 정렬된 ground truth에 대한 잔차로 표시됩니다.글로벌 사구체 경화증백분율 및 총 사구체 수. 다단계 검사의 값은 베타 분포에서 예측 구간을 평가하여 표시됩니다. 15%의 가상 생검 표본에 대한 베타 분포의 그림글로벌 사구체 경화증각 수준에 58개의 관찰된 사구체(이 연구의 평균 수)가 있다고 가정할 때 1, 2, 3 및 4 수준의 풀에 대해 그림 5A에 나와 있습니다. 수평축의 주어진 값에서 각 곡선의 높이는 백분율 추정의 상대적 가능성으로 해석될 수 있습니다.글로벌 사구체 경화증경화된 사구체와 정상 사구체의 실제 분포를 고려할 때 그 값이 됩니다. 따라서 곡선 아래 면적은 다음을 얻을 가능성의 추정치를 산출합니다.글로벌 사구체 경화증통합 범위 내에서 추정합니다. 풀링이 증가함에 따라 분포가 좁혀졌습니다. 더 중요한 것은, 명목상 20% 거부 컷 포인트를 초과하는 곡선 아래 정규화 영역이 단일 레벨만 사용하는 경우 14%에서 4개 레벨을 통합할 때 2%로 감소했습니다(그림 5B). 잘못 과대평가글로벌 사구체 경화증사용할 수 있는 기관이어야 하는 것을 잘못 버리는 것입니다. 레벨 풀링의 이점을 추가로 설명하기 위해 사구체는 기증자 생검 표본(83개와 동일한 데이터베이스에서)에 대해 무작위로 선택된 1000개의 평가를 계산합니다.신장 생검 표본이 연구에서 사용됨)은 대규모 모집단에 대한 수준 풀링의 효과를 시뮬레이션하는 데 사용되었습니다. 그만큼
당직 병리학자 추정치는 실제 사구체 수에 대한 대리인으로 사용되었으며, 수준당 보고된 수에 풀의 시뮬레이션된 수준 수를 곱하여 데이터 풀링을 시뮬레이션했습니다. 위에서 설명한 분석을 이 시나리오에 적용하면 1000개당 잘못된 장기 폐기 수신장would 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% 글로벌 사구체 경화증) 및 병리학자에게 제출되었으며, 병리학자는 오버레이된 모델 생성 사구체 분류로 조직학 이미지를 평가했습니다. 그런 다음 병리학자는 누락되거나 부정확하게 표시된 사구체를 현재 임상 관행과 일치하는 방식 및 시간 프레임으로 수정했습니다. 병리학자가 수정한 평가는 실측(r=0.958)과 더 나은 상관관계를 보였고 대기 중인 병리학자(r=0)보다 오류(RMSE=4.352)가 더 낮았습니다. 613; RMSE=0.898) 또는 DL 모델 단독(r=0.847; RMSE=7.535)(보충의 e그림 7).
논의
DL 모델은 정성적(시각적) 및 정량적 결과 모두에서 고무적인 결과를 산출했으며, 더 작은 훈련 세트에 대해 우리 그룹의 구성원이 이전 작업에서 설명한 요약된 결과를 생성했습니다.34 모델은 고정 섹션 또는 영구 섹션을 사용하여 잘 수행되었으며 - 병리학자의 성과를 호출합니다. 모델이 개별 WSI를 처리하는 데 걸리는 시간은 약 5분으로, 병리학 수술 중 상담의 일반적인 제약 조건 내에서 잘 맞습니다.
작은 샘플을 사용할 때 계산 오류의 확대는 단일 샘플에서 얻은 여러 수준의 결과를 풀링하여 얻은 값을 강조 표시합니다.신장 생검.기증자의 일반적인 두께신장 생검표본은 1mm입니다. 병리학자는 이 조직의 대표적인 5-μm-두께 부분만 검사하여 평가되지 않은 상당 부분을 남깁니다.신장검사되지 않은. 후속 섹션에서 샘플링된 사구체는 독립적이지 않을 수 있지만 슬라이드 준비 과정은 관찰자의 변동성에 관계없이 전체 사구체 경화증에서 상당한 섹션 간 변동성을 유발할 수 있습니다(보충의 e그림 6). 더 많은 조직 절편을 평가함으로써 이러한 변동성의 영향을 최소화할 수 있고 생검 표본 평가의 신뢰성을 높일 수 있습니다. 이러한 이점은 각 측정항목(그림 2-4)에 대한 현재 연구에서 분명히 관찰되었으며, 이는 모두 추가 조직 검사로 개선된 것으로 나타났습니다.
현재의 치료 표준은 25개의 사구체와 1~2단계의 절편에 대한 평가를 요구합니다. 왜냐하면 장기 이식의 시간에 민감한 맥락에서 인간 병리학자가 더 많은 평가를 실제로 달성할 수 없기 때문입니다. 이 환경에서 인간의 능력을 향상시키기 위해 DL 기술을 사용하면 기증자 풀에 꼭 필요한 장기를 추가할 수 있습니다. DL 기술이 통합된 잠재적 임상 워크플로는 다음과 같을 수 있습니다. 표본이 동결 섹션 슬라이드가 준비되고 스캔되는 동결 섹션 실험실에 도착합니다. 그런 다음 WSI는 DL 모델을 사용하여 분석을 위해 안전한 위치에 업로드됩니다. DL 모델이 분석되는 동안 병리학자는 로그인하여 다른 관련 결과에 대해 샘플을 검토할 수 있습니다. DL 모델 결과는 5분에서 10분 이내에 사용할 수 있으며, 조직학 이미지에 사구체 분류의 그래픽 오버레이로 병리학자에게 표시되고, 병리학자가 확인(필요한 경우 수정)하고 보고서에 통합됩니다. 실제 보고서는 임상 전자 건강 기록과 직접 연결됩니다.
제한 사항이 연구에는 몇 가지 제한 사항이 있습니다. 단일 센터 연구였습니다. WSI는 2개 기관에서 2대의 스캐너를 사용하여 생성되었지만 고정 섹션 데이터 세트는 1개 기관에서 완전히 생성된 반면 영구 섹션 데이터 세트는 다른 기관에서 생성되었습니다. 작은 예비 데이터 세트(n=17)는 동결된 섹션에 대한 모델 예측이 관련 영구 섹션과 합리적인 일치를 나타내고 모델이 이러한 동결된 섹션에서 대기 중인 병리학자보다 우수한 성능을 보였다고 제안했지만(보충의 e그림 8), 이 연구는 동결 절편(및 병리학자 평가)이 동일한 생검 표본에서 후속적으로 획득 및 처리된 영구 절편과 얼마나 밀접하게 일치하는지에 대한 별도의 문제를 직접적으로 다루지 않았습니다.
데이터 세트는 다른 DL 연구에 비해 작았습니다. 그러나 총 8500개에 가까운 사구체가 검사되었으며 이는 상대적으로 많은 수입니다. 더 많은 수의 케이스를 평가할 때의 한계는 WSI에 연속적으로 주석을 추가하는 시간 소모적인 프로세스에 있습니다. 이 모델의 견고성을 추가로 평가하려면 추가 연구실 및 스캐너에서 생성된 WSI를 사용하여 모델을 테스트하는 추가 연구가 필요할 것입니다.
결론이 예후 연구는 백분율을 정량화하는 데 더 나은 성능을 발견했습니다.글로벌 사구체 경화증냉동 및 영구 헤마톡실린-에오신 염색 기증자 이식의 WSI에서신장 생검 표본대기 중인 보드 인증 병리학자보다 DL 모델에 의해 기증자 생검 표본을 평가하는 시간에 민감한 특성에서 병리학자의 능력을 넘어서는 추가 조직 섹션을 검사함으로써 성능이 더욱 향상되었습니다. 결과는 퍼센트를 잘못 특성화할 가능성이 감소된 것으로 나타났습니다.글로벌 사구체 경화증DL 모델을 사용할 때 부적절한 기증자 장기 폐기 또는 최적이 아닌 장기를 사용할 가능성을 줄입니다. 연구 결과는 외과 병리학 임상 실습에서 DL 방법을 사용하여 실현할 수 있는 상당한 이득을 보여줍니다.
