AbstratoAntecedentes O objetivo da Inteligência Artificial emCicatriz Renal(AIRS) é desenvolver ferramentas de aprendizado de máquina para a quantificação não invasiva defibrose renalprovenientes de exames de imagem. Métodos Realizamos uma análise retrospectiva de pacientes que realizaram uma ou mais tomografias computadorizadas (TC) abdominais dentro de 6 meses após umbiópsia renal. A coorte final abrangeu 152 tomografias computadorizadas de 92 pacientes, que incluíram imagens de 300 rins nativos e 76transplantar rins. Duas convolucionais diferentesredes neurais(classificadores de nível de fatia e de nível de voxel) foram testados para diferenciarfibrose renal($ 50% versus 50%).Fibrose intersticiale escores de atrofia tubular debiópsia renalrelatórios foram usados como verdades. Resultados Os dois modelos de aprendizado de máquina demonstraram valor preditivo positivo semelhante ({{0}},886 versus 0,935) e precisão (0,831 versus 0,879). Conclusões Em resumo, os algoritmos de aprendizado de máquina são uma ferramenta de diagnóstico não invasiva promissora paraquantificar fibrose renalprovenientes de tomografias computadorizadas. A utilidade clínica destas ferramentas de predição, em termos de evitar biópsia renal e riscos hemorrágicos associados em pacientes com fibrose grave, ainda precisa ser validada em ensaios clínicos prospectivos.
QUANTO TEMPO DEMORA PARA O CISTANCHE FUNCIONAR PARA PACIENTES RENAIS?
Introdução
A biópsia renal percutânea guiada por ultrassom continua sendo o tratamento padrão quando o diagnóstico histológico é necessário para orientar o manejo da proteinúria, hematúria microscópica, rejeição de transplante ou disfunção renal inexplicada (1,2). O grau de fibrose renal ou gravidade da DRC é frequentemente desconhecido no momento da biópsia renal (3). Uma biópsia renal que revele fibrose grave (0,50%) pode esclarecer o diagnóstico da doença, mas é improvável que altere o manejo clínico e coloque os pacientes em risco de sangramento relacionado ao procedimento (4). As complicações pós-biópsia variam de hematúria transitória a hemorragia com risco de vida e se correlacionam com fatores de risco que incluem pressão arterial elevada, idade avançada, anemia, baixa contagem de plaquetas, função renal reduzida e anormalidades na hemostasia (5). Uma meta-análise recente de 118,{17}}64 biópsias renais guiadas por ultrassom relatou taxas de incidentes para transfusões de sangue, intervenção angiográfica e morte de 2%, 0,3% e 0,06%, respectivamente (6).
Avaliar a gravidade da DRC é fundamental quando se consideram os riscos e benefícios de uma biópsia renal, mas as ferramentas não invasivas para avaliar o grau de fibrose são subdesenvolvidas (7). Estudos que exploraram técnicas de ultrassom (incluindo imagens de velocidade de onda de cisalhamento, elastografia transitória, elastografia em tempo real, ultrassonografia Doppler e deformação corticomedular ultrassonográfica) observaram correlação inconsistente com o grau de fibrose na histologia renal (3,8,9). Além disso, esses métodos são fortemente dependentes de fatores externos, como pressão arterial, peso renal, peso corporal e força aplicada do transdutor, sem falar na alta variabilidade intra e interobservador (3). Um relatório recente encontrou uma estreita correlação entretamanho renal determinado por ultrassom com função renal estimada (TFGe), mas não avaliourimfibrose(10). Kirpalani et al. relataram que a elastografia por ressonância magnética era promissora em termos de correlacionar escores de rigidez com fibrose renal (11), mas não explorou ferramentas de aprendizado de máquina como meio de otimizar a precisão preditiva.
A tomografia computadorizada (TC) permite imagens de alta resolução do tecido renal com exposição mínima à radiação para o paciente (7). Tecnologia de aprendizado de máquina combinadaA integração com imagens de tomografia computadorizada é um caminho promissor para o nãoavaliação invasiva do rimFibrosis, em vez do atualpadrão histológico de atendimento. Aprendizado profundo convolucionalredes neurais (CNN) são uma nova forma de aprendizado de máquinaque pode isolar padrões relevantes de seutologia, imagem ou outros dados clínicos úteis para doenças
caracterização (12,13). A tecnologia CNN para diagnóstico tem sido explorada em vários contextos, desde hemorragia intracraniana e cancro até pneumonia eapendicite (14–17).
O objetivo do estudo de Inteligência Artificial em Cicatrizes Renais (AIRS) é desenvolver ferramentas CNN para quantificar a fibrose renal como uma alternativa diagnóstica auxiliada por computador à biópsia renal. Dois algoritmos CNN (classificadores de nível de fatia e de nível de voxel) foram treinados para analisar imagens de TC de rins nativos e transplantados para classificar o grau de fibrose, com base em escores de fibrose reais de biópsias renais nos mesmos pacientes. Nesta análise piloto, nos concentramos em delinear a fibrose leve/moderada versus grave (<50% versus US$ 50%) como uma dicotomia clinicamente relevante que pode ser útil para um nefrologista que esteja considerando uma biópsia renal para seu paciente. Demonstramos que os algoritmos da CNN podem diferenciar fibrose renal grave de leve/moderada com um alto grau de precisão
Materiais e métodos
Banco de dados de pacientes Esta foi uma análise retrospectiva de biópsias renais realizadas no Centro Médico Irvine da Universidade da Califórnia entre 2014 e 2019. Identificamos pacientes com tomografias computadorizadas abdominais de US$ 1 concluídas dentro de 6 meses após a biópsia renal. Após a triagem inicial do sistema de prontuários, foram excluídos 42 pacientes submetidos a exames de imagem pelos seguintes motivos: tomografia computadorizada realizada fora do período de inclusão (0,6 meses a partir da data da biópsia, n53); ressonância magnética abdominal, mas nenhuma TC encontrada no sistema (n56); pacientes pularam inadvertidamente o processo de anotação (n52); rins nativos não segmentados em paciente transplantado (n51); varredura de baixa qualidade com artefato de hardware (n51); e estudos de imagem externos que não foram armazenados nos arquivos de imagem de longo prazo (n529). As 152 tomografias computadorizadas restantes de 92 pacientes foram baixadas e o volume axial reconstruído dos tecidos moles foi extraído para análise posterior. A maioria das tomografias computadorizadas (79%) foi realizada sem contraste intravenoso; 129 exames foram realizados em um scanner Philips, 22 em um scanner Siemens e um em um scanner GE Medical Systems.
Um patologista (JEZ) revisou uma seleção aleatória de pacientes para confirmar se o grau de fibrose foi documentado com precisão nos relatórios de biópsia renal. Em pacientes discordantes, um segundo patologista revisou os slides para determinar a verdade (ver Agradecimentos). O grau real de fibrose renal a partir de relatórios de biópsia foi tratado como um resultado binário: leve/moderado versus grave (fibrose intersticial e atrofia tubular, 50% versus US$ 50%). Rins nativos em tomografias computadorizadas de pacientes transplantados foram automaticamente classificados como fibrose grave. Os dados demográficos e as condições comórbidas foram compilados em um banco de dados REDCap, e as imagens de TC foram acessadas conforme descrito abaixo. Todos os procedimentos de pesquisa foram aprovados pelo Conselho de Revisão Institucional da Universidade da Califórnia em Irvine.
Anotação
As tomografias computadorizadas foram transferidas do Sistema de Arquivamento e Comunicação de Imagens do nosso hospital para um banco de dados interno seguro. Uma ferramenta de anotação proprietária baseada na web foi usada para criar máscaras binárias tridimensionais verdadeiras correspondentes aos rins nativos direito e esquerdo, e quaisquer transplantes renais, se presentes. A ferramenta de anotação foi implementada como um utilitário de pincel simples, sem qualquer limite ou funcionalidade avançada de contorno. Dois estudantes pesquisadores (HRT, KAPR) atuaram como anotadores principais, e um radiologista sênior (PDC) revisou posteriormente cada paciente e refinou as anotações da região de interesse quando necessário.
Pré-processamento de imagem
Usando as máscaras de volume renal anotadas como modelo, cada rim foi cortado e reamostrado para um volume de voxel 96 3 96396 isotrópico. Esta ópera de reamostragemFoi necessária uma medida para garantir que todas as entradas do modelo tivessem o mesmo tamanho de matriz e para acomodar as limitações da memória da unidade de processamento gráfico. Dado que os volumes foramcortados pela primeira vez nos rins direito e esquerdo, e que os rins constituem apenas uma pequena porção do volume original da TC, os tamanhos finais dos voxels reamostrados foram semelhantes em resolução.solução aos dados originais. Cada volume recortado foi então normalizado cortando todos os valores de voxel para um intervalo de 2150 a 250 unidades Hounsfield e dimensionado por um fator de 1:50. Qualquerúnico exame neste conjunto de dados pode conter até três rins cortados individuais usados para treinamento de algoritmo: (nativo) esquerdo, (nativo) direito e transplante. Para qualquer criança individualney, um total de 96 imagens bidimensionais (2D) (de tamanho 96396) foram usadas para treinamento.
Abordagem CNN
Duas redes CNN 2D personalizadas diferentes foram testadas e comparadas para diferenciar fibrose renal grave de leve/moderada. O primeiro algoritmo é um padrão globalclassificador CNN fatia por fatia, projetado para prever uma das três categorias mutuamente exclusivas para cada imagem 2D: sem rim, fibrose leve/moderada e fibrose grave. OO segundo algoritmo é um classificador CNN em nível de pixel implementado por meio de uma arquitetura U-Net totalmente convolucional para realizar segmentação e classificação simultâneas. Em
Em ambos os modelos, a classificação final ignora fatias ou voxels sem rins, e uma regra majoritária é agregada nas demais previsões. Ambos os algoritmos são implementadosusando a arquitetura de rede de compressão e excitação de última geração, o modelo de melhor desempenho do ImageNet Large Scale Visual Recognition Challenge em 2017 (18).A abordagem de rede de compressão e excitação permite que as redes recalibrem adaptativamente as respostas dos recursos do canal com base em diferentes entradas do modelo, aprendendo
interdependências entre canais (Figura 1).
Figura 1.|Mapas térmicos de previsão gerados pelo algoritmo de aprendizagem profunda que identifica áreas de suspeita de fibrose "grave" no rim. Da esquerda para a direita, rins que variam de fibrose normal a grave são mostrados com graus progressivos de parênquima fibrótico estimado. As previsões médias finais normalizadas do softmax para todo o rim são mostradas na linha inferior, variando de 0.0 a 0.2; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; e 0,8–1,0.
Classificador global fatia por fatia
O classificador CNN global é uma arquitetura personalizada derivada de VGG implementada com módulos de excitação de compressão em cada camada. A entrada do modelo é uma única fatia 2D (96396)e a saída do modelo é um vetor logit de três elementos que representa uma previsão de três classes. A CNN consiste em quatro blocos convolucionais, onde cada bloco é definido como 333convolução, normalização de lote e ReLU repetidos três vezes no total. A subamostragem é realizada no final de cada bloco por meio de uma convolução com passo de dois. Depois
quatro blocos convolucionais (12 camadas), o mapa de características final é achatado e usado como entrada em uma única camada totalmente conectada.
Classificador de nível de voxel
O classificador CNN em nível de voxel é uma arquitetura personalizada derivada de U-Net implementada com módulos de excitação de compressão em cada camada (19). A entrada do modelo é uma única fatia 2D (96396) e a saída do modelo é uma única máscara de segmentação 2D (96396) com uma previsão de três classes em cada localização de voxel. A CNN consiste em quatro blocos convolucionais contratuais, onde cada bloco é definido como uma convolução 333, normalização de lote e Leaky ReLU repetido três vezes no total. A subamostragem é realizada no final de cada bloco por meio de uma convolução com passo de dois. Após quatro blocos convolucionais (12 camadas), as operações são revertidas através de uma arquitetura de rede idêntica, com a substituição de convoluções estrididas (sub-amostragem) com transpostas convolucionais (upsampling).
Implementação de Rede Neural
Uma função de perda de entropia cruzada softmax é usada para otimizar ambos os modelos. A otimização foi realizada usando a técnica de Adam (20) com taxas de decaimento exponencial, b1 e b2, definidaspara {{0}},9 e 0,999, respectivamente. A taxa de aprendizado é definida como 131023. O tamanho do lote é definido como oito, com um total de 25000 iterações de treinamento. A normalização de Xavier é usada para inicializaros pesos antes do treino (21). O código do algoritmo foi escrito em Python 3.6, biblioteca TensorFlow 2.1.0 e biblioteca Keras 1.0.8. A rede é treinada em nosso cluster interno de unidades de processamento gráfico, que contém 48 Nvidia GeForce RTX 2080 Ti e 12 GeForce RTX Titans. Em média, o classificador global treinou por 30 minutos por experimento, enquanto o classificador baseado em voxel treinou por 2 a 4 horas por experimento.
Avaliação
Uma estratégia de validação cruzada quíntupla foi usada para avaliar o processo de treinamento. Embora até três rins diferentes de cada paciente tenham sido tratados individualmente durante oprocesso de treinamento, todos os volumes de um único paciente são estratificados no mesmo grupo de validação cruzada para evitar vazamento de dados. O conjunto de dados foi dividido 80:20 e depois treinado no80%, enquanto os outros 20% foram utilizados para validação. O treinamento foi repetido cinco vezes no total com diferentes divisões de 80:20 até que todo o conjunto de dados fosse totalmente validado
Além de experimentos em toda a coorte de dados, foram realizadas análises adicionais de subcoorte para avaliar possíveis variáveis de confusão. A estratificação foi aplicadacom base no estado de contraste intravenoso e exclusão de rins nativos atróficos em pacientes que receberam transplante. Além disso, para avaliar a generalização do modelo, modOs modelos treinados exclusivamente em scanners Philips e GE foram validados exclusivamente com dados de scanners Siemens.
Estatisticas
O objetivo do nosso estudo foi distinguir entre fibrose leve/moderada e fibrose grave na tomografia computadorizada renal. A regra da maioria foi usada em ambas as abordagens (global slice-by-slicee baseado em voxel) para determinar a gravidade doFibrose.Para avaliar o desempenho entre as duas abordagens,precisão, sensibilidade, especificaçõesFicidade, valor preditivo positivo(VPP) e valor preditivo negativo (VPN) foram calculadosavaliado e comparado. A área sob o receptor operandocurva (AUC) também foi calculada variando o softmaxlimite de pontuação para oFiclasse brosisficação e o resultadocurva desenhada para ambas as abordagens para comparação. Descriçãoestatísticas positivas são relatadas como média6SD.
