Böbrek Biyopsi Örneklerinde Glomerülosklerozu Niceliklendirmek İçin Bir Derin Öğrenme Modelinin Geliştirilmesi ve Doğrulanması

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

giriişŞu anda 100 000'den fazla hasta bekliyorböbrek nakli.1 Artan ihtiyaca rağmen, nakil için geri kazanılan böbreklerin yüzde 17 ila 20'si atılıyor.2-4 Organ kıtlığı ve artan talep nedeniyleböbrek nakli, gereksiz organ atılımını azaltmak için acil bir ihtiyaç vardır.3

Biyopsi sonucu, bir donörün böbreğinin kullanılması veya atılması kararında en önemli faktör olarak rapor edilir.5 Çok sayıda araştırma donördeki kronik hasarı ilişkilendirmiştir.böbrek biyopsi örneklerinakil sonuçları ile.6-12 Yüzde 20'lik bir seviyeküresel glomerülosklerozsıklıkla nakil kararında bir kesme noktası olarak kullanılır ve biyopsi sonucunun Birleşik Devletler'de bir organın nakil için reddedilmesinin en yaygın nedeni olmasının altında yatan önemli bir faktördür.4

Son çalışmalar, değişken ve tutarsız donör biyopsi örneği yorumu nedeniyle kabul edilebilir böbreklerin atıldığını göstermektedir.3,13,14 Yüzde gibi basit görünen bir ölçüm bileküresel glomerülosklerozönemli insan varyasyonuna tabidir.15-17 Yapay eserlerin dondurulması, alt uzmanlık eksikliği, yetersiz örnekleme ve bu değerlendirmelerin zamana duyarlı doğasının tümü insan hatalarına katkıda bulunur.

Son zamanlarda, derin öğrenme (DL), histopatolojik incelemede tekrarlanabilirliği ve doğruluğu artırma potansiyelini göstermiştir.18-26 Diğer laboratuvarlardan yapılan önceki çalışmalarda, sklerotik olmayan ve global olarak sklerotik glomerüllerin otomatik tespiti için DL yaklaşımları kullanılmıştır.27-31Ancak , bu teknikler, donmuş bölümlerin zamana duyarlı ayarında pratik olmayan periyodik asit-Schiff veya Masson trikrom boyaları gibi özel boyalara dayanır. Grubumuzun üyelerinin önceki çalışmaları, bildiğimiz kadarıyla, otomatik yüzde ölçümü için yüksek performans gösteren bildirilen tek sonuçları açıklamaktadır.küresel glomerülosklerozhematoksilen-eozinle boyanmış donmuş bölümlerin tam slayt görüntülerini (WSI) kullanarak.

cistanche iyi vücut geliştirme: böbrek güçlendirmek için

Vericinin muayenesine bir DL yaklaşımının olduğunu varsayıyoruz.böbrek biyopsi örnekleriyüzdeyi değerlendirmede insan patologlarından daha iyi performans gösterecekküresel glomerülosklerozve bu daha fazla geliştirme, birden fazla bölüm seviyesi incelenerek etkinleştirilecektir. Bu artan doku örneklemesi, gereksiz organ atma olasılığını azaltmak için varsayılmıştır ve DL tekniklerinin mevcut donör organ havuzunda önemli bir artış yapma ile ilişkili olup olmadığı sorusunu ele alacaktır.

Anahtar Kelimeler:glomerüloskleroz,böbrek, Böbrek Biyopsi Örnekleri, böbrek nakli, global glomerüloskleroz

yöntemlerBu çalışma, tanı ve prognostik çalışmalar için Bireysel Prognoz veya Tanı için Çok Değişkenli Tahmin Modelinin Şeffaf Raporlanması (TRIPOD) raporlama kılavuzunu izlemiştir. Bu çalışma Washington Üniversitesi kurumsal inceleme kurulu tarafından gözden geçirildi ve onaylandı; bu çalışma, mevcut bir veri setinden yalnızca tanımlanamayan biyoörnekler kullandığından, bilgilendirilmiş hasta onayı alma gereğinden de feragat etti.

Veri toplamaWSI'ler, ölen donör biyopsi örneklerinden (98 hematoksilen-eozin ile boyanmış donmuş kesitler ve 51 kalıcı kesit) toplam 83 örnekten alınmıştır.böbreklerhem kama hem de iğne numuneleri kullanılarak. Farklı böbreklerden donmuş kesit biyopsi örnekleri ve kalıcı kesit biyopsi örnekleri alındı. 83 numuneden 62'sinde en az 2 kesit seviyesi vardı. Washington Üniversitesi veritabanından alınan biyopsi örneği görüntüleri, Gift of Life Michigan'dan (Ağustos 2015 ile Kasım 2016 arasında bir Sakura tarayıcı kullanılarak alındı; büyütme, ×20) ve Washington Üniversitesi'nden (Haziran 2015 ile Haziran 2017 arasında, Aperio Scanscope CS tarayıcı; büyütme, ×20). Bu tarihler arasında başvuran ve bir organ bağışçısıböbrek biyopsisidijital intraoperatif patolojik inceleme için bu çalışma için uygun bulundu. Donörlerin demografik özellikleri ve klinik özellikleri araştırmacılar tarafından bilinmiyordu. Tüm taramalar, tam çözünürlükte (0,5 μm/piksel) SVS'den TIFF formatına dönüştürüldü. Görüntü boyutları 105 megapiksel ile 1448 megapiksel arasında değişiyordu.

Veri AçıklamasıSlaytlara ilk olarak kurul onaylı bir uzman tarafından sklerotik olmayan ve sklerotik glomerüller için açıklama yapıldıböbrekdonör yorumlama deneyimine sahip ikinci bir kurul onaylı patolog (TCL) tarafından revize edilen patolog (PW veya JPG)böbrek biyopsi örneklerive ardından kurul onaylı başka bir uzman tarafından son bir revizyonböbrekpatolog (PCW veya JPG). Son gözden geçirilmiş ek açıklamalar, model eğitimi ve değerlendirmesi için temel gerçek (yani altın standart) olarak hizmet etti. Her revizyonda glomerül sayımlarındaki tipik değişkenlik, Ek'teki eŞekil 1'de gösterilmektedir. Fiji32 için yazılmış bir şirket içi eklenti, ana WSI ile aynı çözünürlükte glomerül bölgelerinin piksel bazında etiket maskelerini oluşturmak için her bir WSI üzerindeki glomerülleri manuel olarak ana hatlarıyla belirtmek ve sınıflandırmak için kullanıldı. Glomerüller, global olarak sklerotik olarak sınıflandırıldı (eski, katılaşmış ve kaybolan dahil olmak üzere tüm glomerüler kümeyi içeren skleroz olarak tanımlandı).küresel glomerüloskleroz)veya küresel olmayan sklerotik. Diğer tüm alanlar birlikte gruplandı ve tubulointerstitium olarak etiketlendi. 149 ayrı görüntüde toplam 1544 küresel sklerozlu ve 6914 küresel olmayan sklerozlu glomerül etiketlendi. Biyopsi örnekleri geniş bir yüzde aralığı sergilediküresel glomerüloskleroz(yüzde 0 -77 yüzde ). Slayt başına ortalama (SD) glomerül sayısı 57 (31) idi.

DL Model MimarisiBu çalışmada kullanılan DL modeli, grubumuzun bir üyesini içeren önceki çalışmada açıklanan VGG16 mimarisine33 dayanan tamamen evrişimli bir sinir ağıydı.34 Kısacası, veriler önceden eğitilmiş VGG16 tabanlı ağa girdi olarak aşağıda donduruldu. darboğaz (yani, yoğun bir şekilde bağlantılı sınıflandırma katmanlarından hemen önce). VGG16 yoğun bağlantılı sınıflandırma katmanları, eğitilebilir ağırlıklara sahip 5 tamamen evrişimli katmanla değiştirildi. Tüm ağ boyunca tamamen evrişimsel bir mimarinin kullanılması, her girdi görüntü yaması için bir "görüntüden etikete" dönüşüm yerine bir "görüntüden görüntüye" dönüşüme olanak sağladı, ikincisi daha az doğru ve çok daha fazla bir yaklaşımdır. hesaplama açısından pahalı.34 Tam evrişimsel model, girdi görüntü yamasına kayıtlı altörneklenmiş piksel haritaları üretti ve her çıktı pikselinin tubulointerstitium, küresel olmayan sklerozlu glomerül veya küresel olarak sklerozlu glomerül olma olasılığını verdi.

Eğitim ParametreleriGörüntüler, eğitim girişi için 2{8}}48 × 2048-piksel (1024 × 1024 μm) kısmen örtüşen görüntü yamalarına (adım, 1664 piksel veya 838 μm) bölünmüştür. Yamalar, tüm görüntü yamaları havuzundan rastgele örnekleme yoluyla eğitim için seçildi (her bir çapraz doğrulama eğitim setinde yaklaşık 6500 yama, tek bir dönemin uzunluğu). Giriş yamaları rastgele çevrildi veya döndürüldü (0 derece , 90 derece , 180 derece veya 270 derece ), bu da toplamda yaklaşık 52 000 olası eğitim eki için eğitim verisinin 8-kat artışıyla sonuçlandı. örnekleme havuzu. Eğitim, kategorik çapraz entropi kaybını en aza indirerek TensorFlow kullanılarak gerçekleştirildi, sınıf dengesizliğini telafi etmek için sklerozlu ile sklerozlu olmayan ve tubulointerstisyel kategoriler için 10:5:1'lik bir oran kullanılarak sınıf bazında ağırlıklandırıldı. Stokastik gradyan iniş optimizasyonu, 1e−4 ve 1e−2 arasında bir döngüsel öğrenme oranı ve 15 dönem için 4'lük bir parti boyutu ile kullanıldı.

Çapraz doğrulamaModel, 10-kat çapraz doğrulamada eğitildi ve test edildi; burada WSI'lerin yüzde 10'u her bir kattaki eğitimden alıkonuldu ve elde edilen model (verilerin geri kalan yüzde 90'ı üzerinde eğitildi) tahminler oluşturmak için kullanıldı saklanan WSI'lar hakkında. Aynı seviyenin farklı seviyelerindeki görüntülerböbrekhep bir arada tutuldu. Karşılık gelen katın eğitimini bilgilendirmek için bir çapraz doğrulama katının test setinden hiçbir bilgi kullanılmamıştır. Alıkonulan slaytlar için tahminler, yukarıda açıklanan görüntü dilimleme şemasına göre (yani, 1664- piksel adımlı 2048 × 2048 piksel yamalar) yama usulü oluşturuldu ve sonuçlar, tüm WSI'ler için çıktı olasılık haritaları üretmek üzere yeniden birleştirildi.

RötuşOlasılık haritalarından tek tek glomerülleri lokalize etmek için, çoklu ölçeklerde yüksek görüntü yoğunluğuna sahip dairesel bölgeleri tanımlamak için çok uygun olan standart bir gauss blob saptama algoritması laplacian kullanıldı. Yüzdeküresel glomerüloskleroz100 × S/N formülü ile hesaplanmıştır, burada S, global olarak sklerozan glomerül sayısıdır ve N, toplam glomerül sayısıdır.

İstatistiksel analizAçıklama ve tahmin olasılık haritaları arasındaki piksel bazında anlaşma, Zar katsayısı ve her bir çıktı etiketindeki tüm pikseller için toplu olarak hesaplanan birleşim üzerinden kesişme metriği aracılığıyla nicelleştirildi. Glomerül sayıları, sklerozlu ve sklerozsuz olasılık haritası kanallarında blob saptama işleminden sonra elde edildi. Yüzdeküresel glomerülosklerozbireysel görüntüler için bu sayımlardan hesaplandı ve bireyselböbrekler, her biri ile ilişkili tüm düzeyler (tipik olarak 2) için sayıları bir araya toplayarakböbrek.Glomerül sayıları, Pearson korelasyon katsayısı r ve kök-ortalama-kare hatası (RMSE) ile değerlendirilen doğrulukla, açıklama temel gerçeğiyle karşılaştırıldı. Yüzde için karşılık gelen miktarlarküresel glomerüloskleroznöbetçi patologların tahminleri için hesaplandı ve bu değerler modelin performansıyla karşılaştırıldı.

kategorizasyonuböbreklernakil için "kabul edilebilir" veya "reddedildi" olarak yüzde 20 olarak belirlendiküresel glomerüloskleroz, geçmiş verilere dayalı mevcut klinik uygulamada yaygın olarak kullanılan bir kesme noktası. Bir F1 puanı, kesin bilgi açıklamalarına göre bir örneğin yüzde 20'lik kesim noktasının altında mı üstünde mi olduğunu doğru bir şekilde ayırt etmenin bir fonksiyonu olarak hesaplandı. Cohen κ katsayısı (değerlendiriciler arasındaki anlaşmanın bir göstergesi), modelin ve çağrı üzerine patologların yüzde 20 kesme noktasında ayrımcılığı için, gerçek bilgi notu ve birbirleriyle karşılaştırıldığında hesaplandı.

Çünkü tanımıküresel glomerülosklerozdoğal olarak S (küresel olarak sklerozan glomerül sayısı) ve (N − S) (küresel olmayan sklerozan glomerül sayısı) parametreleri tarafından verilen bir beta dağılımının ortalaması olarak ifade edilir, bir gösterge olarak hizmet eden yüzde 95 tahmin aralıklarını hesaplamak için kullanıldı. çıktı hassasiyeti. Bir 2-taraflı P < .05="" istatistiksel="" olarak="" anlamlı="" kabul="" edildi.="" tüm="" istatistiksel="" analizler,="" mart="" 2018'den="" ağustos="" 2020'ye="" kadar="" python="" paketleri="" scikit-learn,="" sürüm="" 0.22.1="" ve="" scipy.stats,="" sürüm="" 1.4.1="" ile="">

Sonuçlar

Çıktı GörselleştirmeDonmuş kesitli ve kalıcı kesitli WSI'ler için tahmin edilen görüntü çıktıları, hedef açıklama haritalarıyla niteliksel uyum gösterdi (Şekil 1). Agrega Zar katsayıları, global olmayan sklerozlu glomerüller için 0.784 ve global olarak sklerozlu glomerüller için 0.600 idi; aynı gruplar için birleşim metrikleri üzerinden toplu kesişim, küresel olmayan sklerozlu glomerüller için 0.645 ve küresel olarak sklerozlu glomerüller için 0.429'du. Özellikle, önemli artefaktlara sahip donmuş bölümler bile, açıklama temel gerçeği ve tahminler arasında niteliksel görsel anlaşma gösterdi (örnek Şekil 1A'da gösterilmiştir).

Bireysel Slaytlara Dayalı Global Glomerüloskleroz Yüzdesinin DeğerlendirilmesiÇapraz doğrulamaglomerüloskleroztek tek slaytlardaki tahminler ayrıca açıklamalarla korelasyon sergiledi (r {{0}}.916; yüzde 95 GA, 0.886-0.939; ve RMSE=5.631 ; yüzde 95 GA, 4.{{10}}.517; P < .001)="" (şekil="" 2a).="" sonuçların="" slayt="" hazırlama="" tekniğiyle="" ayrılması,="" donmuş="" kesitlerdeki="" tahminlerin="" temel="" doğrulukla="" benzer="" korelasyon="" gösterdiğini="" gösterdi="" (r="0.918;" yüzde="" 95="" ci,="" 0.879-0.944;="" rmse="" {{="" 20}}.20;="" p="">< .001)="" (ek'te="" eşekil="" 3a),="" oysa="" kalıcı="" grup="" daha="" yüksek="" performans="" gösterdi="" (r="0.940;" yüzde="" 95="" ga,="" 0.896-0.965;="" rmse="4.32;" p="">< .001)="" (ek'te="" eşekil="" 3d).="" model="" tarafından="" tespit="" edilen="" toplam="" glomerül="" sayıları,="" küresel="" olmayan="" sklerozlu="" glomerüllerin="" temel="" gerçek="" ile="" korelasyonlarını="" gösteren="" şekil="" 3a="" ve="" b'de="" gösterilmektedir="" (r="0.955;" yüzde="" 95="" ci,="" 0.938-0.967="" ;="" rmse="8.383;" p="">< .001)="" ve="" temel="" gerçeği="" olan="" global="" sklerozlu="" glomerüller="" (r="0.934;" yüzde="" 95="" ci,="" 0.909-0.952;="" rmse="" {{50)="" }}.718;="" p="">< .001).="" açıklama="" ve="" tahmin="" arasındaki="" ortalama="" (sd)="" glomerül="" sayısı="" farklılıkları,="" küresel="" olmayan="" sklerozlu="" glomerüller="" için="" 3.1="" (7.8)="" ve="" küresel="" olarak="" sklerozlu="" glomerüller="" için="" 0.2="" (4.7)="" idi.="" slaytları="" tedavi="" ile="" ayırırken,="" öngörülen="" glomerül="" sayıları="" için="" benzer="" pozitif="" sonuçlar="" gözlendi="" (ek'te="" eşekil="" 2a,="" b,="" e="" ve="">

Havuzlanmış Slaytlara Dayalı Küresel Glomerüloskleroz Yüzdesinin Değerlendirilmesi Havuzlama seviyeleri, modelin glomerül sayım performansını (Şekil 3C ve D; eŞekil 2C, D, G ve Ek'teki H) ve ayrıca Şekil 2B'de gösterildiği gibi açıklamalarla glomerüloskleroz korelasyonunu iyileştirdi ( r=0.933; yüzde 95 GA, 0.898-0.956; ve RMSE=5.094; yüzde 95 GA, 3.{{ 13}}.301; P < .001,="" birleştirilmiş="" dondurulmuş="" ve="" kalıcı="" bölümler="" için),="" aynı="" vakalarda="" nöbetçi="" patologların="" performansını="" iyileştirir="" (r="0.884;" yüzde="" 95="" ga,="" 0.{21}="" }.923="" ve="" rmse="6.523;" yüzde="" 95="" ga,="" 5.191-7.783;="" p="">< .001)="" (şekil="" 2c).="" rmse="" ile="" ölçülen="" global="" glomerüloskleroz="" hatası,="" model="" için="" nöbetçi="" patologlara="" göre="" yüzde="" 22="" daha="" düşüktü.="" bireysel="" ve="" havuzlanmış="" seviyeler="" için="" modelin="" global="" glomerüloskleroz="" tahminleri="" arasındaki="" uyum,="" ek="" açıklama="" temel="" gerçeğine="" göre="" bir="" kalıntı="" olarak="" ek'teki="" eşekil="" 4'te="">

seks böbrek bozukluğu tedavisi

Böbrek Yanlış Karakterizasyon Riskinin Değerlendirilmesi Açıklamalar, model tahminleri ve nöbetçi patologlar için havuzlanmış yüzde global glomerüloskleroz sonuçları, çalışmaya dahil edilen 83 böbreğin tamamı için artan global glomerüloskleroz yüzdesine ve buna karşılık gelen yüzde 95 tahmin aralıklarına göre sıralandı ve çizildi. donör organ nakli kabulü veya reddi için yüzde 20 kesme noktası (Şekil 4B-F). Bölümün tüm seviyeleri biyopsi sırasında nöbetçi patologlar tarafından değerlendirildiğinden, sonuçları havuzlanmış değerlendirmeler olarak kabul edilir. Yüzde 20 kesme noktası çizgisiyle örtüşen tahmin aralıklarına sahip böbrekler, glomerül sayımları yanlış tahmin edilirse hatalı kabul veya reddetme riski altındadır. Yüzde 20'den fazla global glomerülosklerozlu bir böbreği hatalı bir şekilde kategorize etme şansı Şekil 4A'da gösterilmektedir. Bireysel slaytlar kullanıldığında, DL modelinin öngörülen hata oranı, nöbetçi patologlara göre yüzde 15 daha düşüktü ve temel gerçeği açıklamalarıyla neredeyse aynıydı (yani ideal durum). Havuzlanmış seviyelerle, DL modelinin öngörülen hata oranı, nöbetçi patologlarınkinden yüzde 37 daha düşük oldu. Benzer şekilde, bireysel düzeyler kullanılarak DL modelinin hatalı organ kabulü için öngörülen hata oranı, nöbetçi patologlara göre yüzde 21 ve havuzlanmış düzeyler kullanıldığında yüzde 34 daha düşüktü.

F1 skoru ve Cohen κ benzer sonuçlar gösterdi. DL modelinin F1 puanı, sahip olan bireysel seviyeler içinküresel glomerülosklerozyüzde 20'nin altı 0.896 ve yüzde 20'nin üzerindeki bireysel seviyeler için 0.950 idi. Bu metrikler, yüzde 2{{20}}'nin altındakiler için 0.926'ya ve yüzde 20'nin üzerindekiler için 0,964'e havuzlandığında iyileşti. Bu, yüzde 20'nin altındakiler için 0.852'lik ve yüzde 20'nin üzerindekiler için 0.929'luk çağrı üzerine patologlar için F1 puanlarıyla olumlu bir şekilde karşılaştırıldı. Temel gerçeğe göre bireysel seviyelerde model tahminleri için Cohen κ 0.847 idi, havuzlanmış seviyeler için 0.891'e yükseldi. Cohen κ için

çağrı üzerine patologlar havuzlanmış notlara göre daha düşüktü, 0.781 değerindeydi ve modelin havuzlanmış seviye tahminleriyle karşılaştırıldığında 0.714 idi. Birleştirilmiş seviye sonuçları için patolog ve model sonuçları arasındaki uyum, Ek'teki eŞekil 5'te, temel gerçeğe göre bir artık olarak gösterilir ve temel gerçeğe göre sıralanırküresel glomerülosklerozyüzde ve toplam glomerül sayısı. Çok seviyeli incelemenin değeri, beta dağılımından tahmin aralıkları değerlendirilerek gösterilir. Yüzde 15'lik varsayımsal bir biyopsi örneğinin beta dağılımının bir örneğiküresel glomerülosklerozŞekil 5A'da 1, 2, 3 ve 4 seviyeli havuzlar için gösterilmiştir, her seviyenin 58 gözlenen glomerül olduğu varsayılarak (bu çalışma için ortalama sayı). Yatay eksende belirli bir değerdeki her bir eğrinin yüksekliği, yüzde tahmininin göreceli olasılığı olarak yorumlanabilir.küresel glomerülosklerozsklerozlu ve normal glomerüllerin gerçek dağılımı göz önüne alındığında, bu değer olacaktır. Eğrinin altındaki alan, bu nedenle, elde etme olasılığının bir tahminini verir.küresel glomerülosklerozEntegrasyon sınırları içinde tahminler. Artan havuzlama ile dağılım daraldı. Daha da önemlisi, nominal yüzde 20 reddetme kesim noktasının ötesinde eğrinin altındaki normalleştirilmiş alan, yalnızca tek bir seviye kullanıldığında yüzde 14'ten 4 seviyenin havuzlanması sırasında yüzde 2'ye düştü (Şekil 5B), yanlış abartmaküresel glomerülosklerozve kullanılabilir bir organ olması gerekenin yanlışlıkla atılması. Seviye havuzunun faydalarını daha fazla göstermek için, glomerüller, donör biyopsi örneklerinin rastgele seçilmiş 1000 değerlendirmesini sayar (83 ile aynı veri tabanından).böbrek biyopsi örnekleriBu çalışmada kullanılan), büyük bir popülasyon için seviye havuzunun etkilerini simüle etmek için kullanıldı. bu

çağrı üzerine patolog tahminleri, gerçek glomerül sayımları için vekiller olarak kullanıldı ve seviye başına rapor edilen sayıların havuzdaki simüle edilen seviyelerin sayısı ile çarpılmasıyla veri havuzu simülasyonu yapıldı. Yukarıda açıklanan analizi bu senaryoya uygulayarak, her 1000 için hatalı organ atma sayısıböbreklerwould 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 >yüzde 20 global glomerüloskleroz) ve histoloji görüntülerini üst üste bindirilmiş model tarafından oluşturulan glomerül sınıflandırmalarıyla değerlendiren bir patoloğa sunuldu. Daha sonra patolog, gözden kaçan veya yanlış etiketlenmiş glomerülleri mevcut klinik uygulama ile tutarlı bir şekilde ve zaman çerçevesinde düzeltti. Patolog tarafından değiştirilen değerlendirme, temel doğrulukla (r=0.958) daha iyi ilişkilendirildi ve her iki nöbetçi patologdan (r=0) ​​daha düşük hataya (RMSE=4.352) sahipti. 613; RMSE=0.898) veya yalnızca DL modeli (r=0.847; RMSE=7.535) (Ek'te eŞekil 7).

Tartışma

DL modeli hem nitel (görsel) hem de nicel bulgularda cesaret verici sonuçlar üretti ve grubumuzun üyeleri tarafından daha küçük bir eğitim setinde daha önceki çalışmalarda açıklanan sonuçları özetledi.34 Model, donmuş bölümler veya kalıcı bölümler kullanarak iyi performans gösterdi ve daha iyi performans gösterdi. - patologların performansını arayın. Modelin bireysel bir WSI'yi işleme süresi, patoloji intraoperatif konsültasyonunun tipik kısıtlamaları dahilinde, yaklaşık 5 dakikaydı.

Küçük bir örnek kullanıldığında sayım hatalarının büyütülmesi, tek bir örnekten elde edilen çoklu seviyelerden elde edilen havuz sonuçlarından elde edilen değeri vurgular.böbrek biyopsisi.Bir donörün tipik kalınlığıböbrek biyopsisinumune 1 mm'dir. Patolog, bu dokunun yalnızca temsili 5-μm kalınlığındaki bir bölümünü inceler ve önemli bir kısmı değerlendirilmemiş kalır.böbrekincelenmemiş. Sonraki bölümlerde örneklenen glomerüller bağımsız olmayabilir, ancak slayt hazırlama süreci, gözlemci değişkenliğinden bağımsız olarak global glomerülosklerozda önemli kesitler arası değişkenliğe yol açabilir (Ek'te eŞekil 6). Daha fazla doku kesiti değerlendirerek, bu değişkenliğin etkisi en aza indirilebilir ve biyopsi örneği değerlendirmesinin güvenilirliği arttırılabilir. Bu fayda, her bir ölçüm için (Şekil 2-4) mevcut çalışmada açıkça gözlemlenmiştir ve bunların tümü ek doku incelemesi ile gelişme göstermiştir.

Mevcut bakım standardı, sadece 25 glomerül ve 1 ila 2 kesit seviyesinin değerlendirilmesini gerektirir, çünkü organ naklinin zamana duyarlı bağlamında insan patologları tarafından pratik olarak daha fazla değerlendirme elde edilemez. Bu ortamda insan kapasitesini artırmak için DL tekniklerinin kullanılması, donör havuzuna hayati derecede ihtiyaç duyulan organları ekleyebilir. DL tekniklerinin dahil edilmesiyle olası bir klinik iş akışı aşağıdaki gibi olabilir: donmuş kesitli bir slaytın hazırlandığı ve tarandığı donmuş kesit laboratuvarına bir numune gelir. WSI daha sonra DL modeli kullanılarak analiz için güvenli bir konuma yüklenir. DL modeli analiz ederken, patolog oturum açabilir ve diğer ilgili bulgular için örneği inceleyebilir. DL modeli sonucu 5 ila 10 dakika içinde elde edilebilir, patoloğa histoloji görüntüsü üzerinde glomerül sınıflandırmalarının grafiksel bir kaplaması olarak sunulur, ardından patolog tarafından doğrulanır (ve gerekirse değiştirilir) ve rapora dahil edilir. Gerçek rapor, klinik elektronik sağlık kaydıyla doğrudan arayüz oluşturacaktır.

sınırlamalarBu çalışmanın bazı sınırlamaları vardır. Tek merkezli bir çalışmaydı. WSI'ler 2 kurumda 2 tarayıcı kullanılarak oluşturulmuş olmasına rağmen, donmuş kesit veri seti tamamen 1 kurumda, kalıcı kesit veri seti ise bir diğerinden oluşturulmuştur. Küçük bir ön veri seti (n=17), donmuş kısımlardaki model tahminlerinin ilişkili kalıcı kısımlarla makul bir uyum gösterdiğini ve modelin bu donmuş kısımlarda nöbetçi patologlardan daha iyi performans gösterdiğini öne sürse de (Ek'te eŞekil 8), bu çalışma, donmuş bölümlerin (ayrıca patologların değerlendirmelerinin yanı sıra) aynı biyopsi örneğinden daha sonra elde edilen ve işlenen kalıcı bölümlere ne kadar yakından karşılık geldiğine ilişkin ayrı bir konuyu doğrudan ele almamıştır.

Veri seti, diğer DL çalışmaları ile karşılaştırıldığında küçüktü. Bununla birlikte, toplamda yaklaşık 8500 glomerül incelendi, nispeten yüksek bir sayı. Daha fazla sayıda vakayı değerlendirmedeki sınırlama, WSI'leri seri olarak açıklamanın zaman alıcı sürecinde yatmaktadır. Bu modelin sağlamlığını daha fazla değerlendirmek için, modelin ek laboratuvarlardan ve tarayıcılardan oluşturulan WSI'ler kullanılarak test edildiği ek çalışmalar gerekecektir.

SonuçlarBu prognostik çalışma, yüzdeyi ölçmek için daha iyi performans bulduküresel glomerülosklerozdonmuş ve kalıcı hematoksilen-eozin lekeli donör naklinin WSI'lerindenböbrek biyopsi örnekleriçağrı kurulu sertifikalı patologlardan ziyade bir DL modeli ile. Donör biyopsi numunelerini değerlendirmenin zamana duyarlı doğasında patologların kapasitesinin ötesinde bir süreç olan ek doku kesitleri incelenerek performans daha da geliştirildi. Sonuçlar, yüzde yanlış karakterize etme olasılığının azaldığını gösterdiküresel glomerülosklerozDL modelini kullanırken, böylece uygun olmayan donör organlarının atılması veya optimal olmayan bir organın kullanılması olasılığını azaltır. Bulgular, cerrahi patoloji klinik pratiğinde DL yöntemleri kullanılarak gerçekleştirilebilecek önemli kazanımları göstermektedir.