ptLinguagem
Casa / Conhecimento / Conteúdo

Conhecimento

Avaliação de inteligência artificial de cicatrizes renais (estudo AIRS) Ⅱ

May 13, 2024

Resultados

Ambos os modelos foram treinados e validados em um total de 152 tomografias computadorizadas de 92 pacientes, que continham 148 rins esquerdos, 152 rins direitos e 73 rins.transplantar rins. As características dos pacientes estão resumidas na Tabela 1; 55 pacientes apresentaram fibrose mínima ou leve (<25%), 14 pacientes foram classificados como fibrose moderada (25% a 50%) e 23 pacientes apresentaram fibrose grave (0,50%). A TFGe média foi de 37.626 versus 25.618 versus 16.613 ml/min por 1,73 m2, respectivamente, nos grupos de fibrose leve versus moderada versus grave. Pacientes com fibrose leve/moderada foram agrupados para análise em comparação com pacientes com fibrose grave na tomografia computadorizada renal;volume renal médiofoi de 217 cm3 (variação de 48 a 668) versus 76 cm3 (variação de 3 a 347) nos grupos de fibrose leve/moderada versus grave (<50% versus US$ 50%). Houve uma biópsia de paciente que produziu escores de fibrose discordantes (comparando o relatório do prontuário médico com a revisão atual do patologista), e a verdade foi determinada por meio de revisão cega por um segundo patologista (ver Agradecimentos)

cistanche treat kidney disease

QUANTO TEMPO DEMORA PARA O CISTANCHE FUNCIONAR PARA PACIENTES RENAIS?

Na validação cruzada, o modelo fatia por fatia rendeu uma AUC geral de 0 0,917, enquanto a abordagem baseada em voxel rendeu uma AUC geral de 0 0,922 (Figura 2). A precisão, sensibilidade, especificidade, PPV e NPV do modelo em vários limites avaliados em ambos os algoritmos CNN estão resumidos na Tabela 2. Em um limite de predição de {{10}}.5, o slice-by A abordagem -slice nos deu uma precisão de 0 0,831, sensibilidade de 0 0,817, especificidade de {{20}} 0,852, PPV de 0 0,886 e VPL de 0,767. No mesmo limite de predição de 0,5, a abordagem baseada em voxel produziu resultados semelhantes com uma precisão de 0,879, sensibilidade de 0,853, especificidade de {{35} },916, VPP de 0,935 e VPL de 0,816. A abordagem baseada em voxel, quando comparada com relatórios de patologia reais, produz 13 falsos positivos (fibrose leve/moderada classificada como grave), 32 falsos negativos (fibrose grave não detectada; taxa de erro de 15%), 187 verdadeiros positivos e 141 verdadeiros negativos .
Os resultados das análises estratificadas de subcoorte são mostrados na Tabela 3. O desempenho geral em ambos os modelos foi semelhante após a exclusão dos exames pós-contraste e/ou doexclusão de rins nativos atróficosem pacientes que foram submetidos a um transplante. Uma pequena diminuição no desempenho ({{0}}.86 precisão) foi observada especificamente para a estratégia CNN baseada em voxel após a remoção dos exames pós-contraste; todas as outras permutações demonstraram uma precisão de US$ 0,90. Além disso, a generalização geral do modelo foi preservada após estratificação do conjunto de treinamento (Philips, GE) e do conjunto de validação (Siemens) exclusivamente pelo fabricante. Uma comparação entre nossas ferramentas de previsão e outros estudos da CNN quedoença renal avaliadaparâmetros é somamarizado na Tabela 4.

Echinacoside of cistanche can improve kidney function

Discussão

Iniciamos o estudo AIRS para desenvolver ferramentas de aprendizado de máquina paraquantificar fibrose renalcomo alternativa diagnóstica não invasiva à biópsia renal. Em uma coorte de 92 pacientes, analisamos 300imagens de rim nativoe 73 rins transplantados de 152 tomografias computadorizadas abdominais. Descobrimos que os modelos globais da CNN, fatia por fatia e baseados em voxel, eram semelhantes na diferenciação entre graves e leves/fibrose renal moderada, com AUC {{0}},917 versus 0,922, e PPV 0,886 versus 0,935, quando comparado com a verdade básica derelatórios de biópsia renal. Ambos os modelos da CNN tiveram desempenho consistente quando testados em diferentes tomógrafos e quando foram excluídos rins nativos atróficos em pacientes submetidos a transplante; o modelo global fatia por fatia teve precisão de previsão ligeiramente melhor quando apenas tomografias computadorizadas sem contraste foram testadas.

A biópsia renal diagnóstica continua sendo o tratamento padrão quando o diagnóstico histológico é necessário para orientar o tratamento da proteinúria, rejeição de transplante ou doença renal inexplicável.disfunção (1,2). No entanto, a decisão de realizar uma biópsia renal nativa pode ser complexa, especialmente se o paciente estiver em terapia anticoagulante ou tiver anemia ou trombocitopenia., o que pode aumentar o risco de complicações graves,incluindo transfusões de sangue, intervenção angiográfica,e morte (taxas gerais de incidentes de 2%, 0,3% e 0,06%,respectivamente) (6). Ferramentas não invasivas para avaliar o graude rimfifaltam broses (7), e até o momento não utilizaramferramentas de aprendizado de máquina personalizadas para minimizar a subjetividade eviés. Estas ferramentas podem ser úteis quando avaliadas nocontexto de outros marcadores de insuficiência renal crônica(e.g., níveis elevados de hormônio da paratireóide e fosfato). Em paridadeparticular, a previsão de graves (.50%) fibrosis pode justificarevitar a biópsia renal porque o paciente nãoser um candidato à terapia imunomoduladora (i.e., oa biópsia não mudaria o manejo clínico). Esta informaçãoinformação é valiosa, por exemplo, quando os pacientes apresentamcom insuficiência renal avançada e história médica desconhecidahistória. Passagens adicionais com a agulha de biópsia para otimizar

amostragem de glomérulos para histologia de umrim fibróticopode levar a um risco aumentado de sangramento (22). Se um grau grave de fibrose for previsto na análise CNN de uma tomografia computadorizada, a equipe médica pode decidir limitar a amostragem da biópsia ou evitar totalmente a biópsia renal, após tomada de decisão compartilhada com o paciente. É digno de nota que uma biópsia diagnóstica do rim nativo ainda pode ser indicada em um rim aparentemente em estágio terminal, a critério do nefrologista, para orientar a avaliação da candidatura ao transplante ou para determinar a etiologia de uma doença sistêmica.

Observamos que um limite de predição de 0.5 teve o melhor desempenho em relação à aplicabilidade futura na tomada de decisões clínicas, em que o objetivo é identificar pacientes comrim avançadofibrose e, assim, evitar biópsia invasivae suas potenciais complicações hemorrágicas discutidas acima.Com o modelo CNN baseado em voxel, um limite de 0,5 seria

identificar 85% de indivíduos com fibrose renal avançada com VPP de 94% (Tabela 2). Aumentar o limite para 0.9 melhoraria marginalmente o VPP para 95%, mas diminuiria drasticamente a sensibilidade de 85% para 72% (ou seja, não detectaria 28% dos indivíduos com fibrose grave).

effect of cistanche improve kidney function (2)

Atualmente, a principal limitação do algoritmo proposto é a exigência de que uma região manual de interesse seja definida para cada rim antes da previsão do aprendizado profundo.
Deve-se notar, no entanto, que embora os contornos renais tridimensionais tenham sido gerados como parte deste estudo, a previsão para cada novo paciente (ou seja, separado do treinamento) exigiu apenas um cubo delimitador grosseiro ao redor do(s) rim(es) para ser definido . Estão sendo desenvolvidos algoritmos para segmentação de rim inteiro baseada em aprendizagem profunda, o que facilitaria um processo totalmente automatizado de ponta a ponta (23,24). Outra limitação é que a heterogeneidade no grau de fibrose em um único rim pode ser uma fonte de erro na verdade e validação do algoritmo. Neste estudo, decidimos priorizar a compensação de incluir mais dados potencialmente ruidosos (rins inteiros foram segmentados) em vez de utilizar uma pequena quantidade de dados limpos; empiricamente, esta estratégia é comum em tarefas de aprendizagem profunda de big data, e nossa observação de uma AUC de previsão de algoritmo de 0.911 sugere que o grau de ruído introduzido por esta estratégia é modesto. O refinamento futuro desses algoritmos de predição da CNN será explorado por meio da incorporação de valores laboratoriais clínicos relevantes para a DRC, como creatinina, hormônio da paratireóide e hemoglobina. Enquanto se aguarda conjuntos de dados maiores, a saída do algoritmo pode ser otimizada ainda mais para incluir agrupamentos quantitativos mais expansivos(grau defibrose,25%, 25%–50%, 50%–75%, e.75%). Finalmente, dado que o algoritmo atual é treinado e válidodatado em dados de uma única instituição, mais trabalho énecessário para avaliar a generalização além do estudadocoorte de pacientes.
Até onde sabemos, o estudo AIRS é o primeiro a utilizar modelos CNN para prever o grau de fibrose renal a partir de exames de imagem. Os resultados são promissores e fornecem umabase para testar essas ferramentas CNN em testes prospectivos, paravalidar sua utilidade na tomada de decisão clínica quando fornão está claro se um paciente'A doença renal é aguda versus

crônica.


kidney function

Divulgações

J. Zuckerman relata ter acordos de consultoria com a Leica Biosystems; relata recebimento de honorários da ApotheCom; e relata ser orientador científico ou membro da Patologiacom. P. Chang relata ter acordos de consultoria erecebendo financiamento de pesquisa da Canon Medical; e relatórios têmtendo uma participação acionária na Avicena.ai. WL Lau relata teracordos de consultoria com Ardelyx e Fresenius; relatóriosrecebendo financiamento de pesquisa da American Heart Association,Hub Therapeutics e os Institutos Nacionais de Saúde; e

relata receber honorários da Roche Australian Nephrology Preceptorship. Todos os autores restantes não têm nada a divulgar.



Financiamento

Este projeto foi financiado pelo Prêmio de Pesquisa da Cátedra do Departamento de Medicina da Universidade da Califórnia, Irvine 2019–2021.

Agradecimentos Os autores agradecem ao Dr. Anthony Sisk (Departamento de Patologia e Medicina Laboratorial, Escola de Medicina David Geffen da Universidade da Califórnia em Los Angeles) pela revisão cega dopacientes com biópsia discordante para determinar a verdade básica.



Contribuições do autor

WL Lau conceituou o estudo; C. Chantaduly, K. Perez Reyes, H. Troutt e J. Zuckerman foram responsáveis ​​pela curadoria dos dados; P. Chang, C. Chantaduly e J. Zuckerman foram os responsáveispara a análise formal; WL Lau foi responsável pelaaquisição de financiamento; C. Chantaduly e K. Perez Reyes foramresponsável pela investigação; P. Chang, C. Chantaduly e J.Zuckerman foi o responsável pela metodologia; WL Lau eH. Troutt foi responsável pela administração do projeto; P. Changfoi responsável pelos recursos e software; P. Chang e WLLau forneceu supervisão; C. Chantaduly e H. Troutt escreveram orascunho original; P. Chang, C. Chantaduly, WL Lau, K. Perez Reyes,e H. Troutt revisaram e editaram o manuscrito.


Referências

1. Luciano RL, Moeckel GW: Atualização sobre a biópsia renal nativa: currículo básico 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: A biópsia renal nativa: atualização e evidências para melhores práticas. Clin J Am Soc Nephrol 11: 354–362, 2016https://doi.org/10.2215/CJN.05750515

3. Berchtold L, Friedli I, Vall ee JP, Moll S, Martin PY, de Seigneux S: Diagnóstico e avaliação da fibrose renal: O estado da arte. Swiss Med Semana 147: w14442, 2017

4. Fiorentino M, Bolignano D, Tesar V, Pisano A, Van Biesen W, D'Arrigo G, Tripepi G, Gesualdo L; Grupo de Trabalho de Imunonefrologia ERA-EDTA: Biópsia renal em 2015: Da epidemiologia às indicações baseadas em evidências. Am J Nephrol 43: 1–19, 2016 https://doi.org/10.1159/000444026

5. Brachemi S, Boll ee G: Prática de biópsia renal: Qual é o padrão ouro? Mundo J Nephrol 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 , Vijayan A, Rovin BH; Projeto de Medicina de Precisão Renal: Revisão sistemática e meta-análise de complicações da biópsia renal nativa. 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: Um novo sistema CAD baseado em CNN para avaliação precoce de disfunção renal transplantada. 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: Aplicação de elastografia ultrassônica para disfunção crônica de aloenxerto em transplante renal. J Ultrasound Med 36: 1759–1769, 2017 https://doi.org/10.1002/jum.14221

9. Preuss S, Rother C, Renders L, Wagenpfeil S, B€ total-Herold M, Slotta-Huspenina J, Holtzmann C, Kuechle C, Heemann U, Stock KF: Ultrassonografia do aloenxerto renal: Correlação entre o índice de resistência ultrassonográfica doppler (RI) e histopatologia. 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: Automação da previsão e classificação da função renal por meio de imagens renais baseadas em ultrassom usando aprendizagem profunda. Dígito Médio 2: 1–9, 2019

















Você pode gostar também