अमूर्तपृष्ठभूमि कृत्रिम बुद्धिमत्ता का लक्ष्यगुर्दे का घाव(एआईआरएस) अध्ययन का उद्देश्य गैर-आक्रामक मात्रा का निर्धारण करने के लिए मशीन लर्निंग उपकरण विकसित करना हैगुर्दे फाइब्रोसिसइमेजिंग स्कैन से। तरीके हमने उन रोगियों का पूर्वव्यापी विश्लेषण किया, जिन्होंने 6 महीने के भीतर एक या एक से अधिक उदर कम्प्यूटरीकृत टोमोग्राफी (सीटी) स्कैन करवाए थे।गुर्दे की बायोप्सीअंतिम समूह में 92 मरीजों के 152 सीटी स्कैन शामिल थे, जिसमें 300 मूल गुर्दे और 76 गुर्दे की छवियां शामिल थीं।गुर्दा प्रत्यारोपण. दो अलग-अलग संवलनशीलतंत्रिका - तंत्र(स्लाइस-स्तर और वॉक्सेल-स्तर क्लासिफायर) का परीक्षण गंभीर बनाम हल्के/मध्यम में अंतर करने के लिए किया गयागुर्दे फाइब्रोसिस($50% बनाम ,50%).अंतरालीय फाइब्रोसिसऔर ट्यूबलर शोष स्कोरगुर्दे की बायोप्सीरिपोर्ट का उपयोग जमीनी सच्चाई के रूप में किया गया। परिणाम दो मशीन लर्निंग मॉडल ने समान सकारात्मक पूर्वानुमान मूल्य ({{0}}.886 बनाम 0.935) और सटीकता (0.831 बनाम 0.879) प्रदर्शित की। निष्कर्ष संक्षेप में, मशीन लर्निंग एल्गोरिदम एक आशाजनक गैर-आक्रामक निदान उपकरण हैगुर्दे की फाइब्रोसिस का आकलनसीटी स्कैन से। गंभीर फाइब्रोसिस वाले रोगियों में गुर्दे की बायोप्सी और संबंधित रक्तस्राव के जोखिम से बचने के संदर्भ में इन भविष्यवाणी उपकरणों की नैदानिक उपयोगिता को भावी नैदानिक परीक्षणों में मान्य किया जाना बाकी है।
किडनी के रोगियों के लिए सिस्टान्चे को काम करने में कितना समय लगता है?
परिचय
अल्ट्रासाउंड-निर्देशित परक्यूटेनियस किडनी बायोप्सी तब देखभाल का मानक बनी हुई है जब प्रोटीन्यूरिया, माइक्रोस्कोपिक हेमट्यूरिया, ट्रांसप्लांट रिजेक्शन या अस्पष्टीकृत किडनी डिसफंक्शन (1,2) के प्रबंधन को निर्देशित करने के लिए हिस्टोलॉजिकल निदान की आवश्यकता होती है। किडनी बायोप्सी के समय किडनी फाइब्रोसिस या सी.के.डी. की गंभीरता अक्सर अज्ञात होती है (3)। किडनी बायोप्सी जो गंभीर (.50%) फाइब्रोसिस का पता लगाती है, वह रोग निदान को स्पष्ट कर सकती है, लेकिन नैदानिक प्रबंधन को बदलने की संभावना नहीं है और रोगियों को प्रक्रिया से संबंधित रक्तस्राव के जोखिम में डालती है (4)। बायोप्सी के बाद की जटिलताएँ क्षणिक हेमट्यूरिया से लेकर जानलेवा रक्तस्राव तक हो सकती हैं और जोखिम कारकों से संबंधित होती हैं जिनमें उच्च रक्तचाप, वृद्धावस्था, एनीमिया, कम प्लेटलेट काउंट, कम किडनी फ़ंक्शन और हेमोस्टेसिस असामान्यताएं (5) शामिल हैं। 118,64 अल्ट्रासाउंड-निर्देशित किडनी बायोप्सी के हालिया मेटा-विश्लेषण ने रक्त आधान, एंजियोग्राफिक हस्तक्षेप और मृत्यु की घटना दरों को क्रमशः 2%, 0.3% और 0.06% बताया (6)।
किडनी बायोप्सी के जोखिमों और लाभों पर विचार करते समय सीकेडी की गंभीरता का आकलन करना महत्वपूर्ण है, लेकिन फाइब्रोसिस की डिग्री का मूल्यांकन करने के लिए गैर-आक्रामक उपकरण अविकसित हैं (7)। अल्ट्रासाउंड तकनीकों (शीयर वेव वेलोसिटी इमेजिंग, ट्रांजिएंट इलास्टोग्राफी, रियल-टाइम इलास्टोग्राफी, डॉपलर सोनोग्राफी और अल्ट्रासाउंड कॉर्टिकोमेडुलरी स्ट्रेन सहित) का पता लगाने वाले अध्ययनों ने किडनी हिस्टोलॉजी पर फाइब्रोसिस की डिग्री के साथ असंगत सहसंबंध को नोट किया है (3,8,9)। इसके अलावा, ये विधियाँ बाहरी कारकों पर दृढ़ता से निर्भर हैं, जैसे कि रक्तचाप, किडनी का वजन, शरीर का वजन और लागू ट्रांसड्यूसर बल, उच्च इंट्रा- और इंटरऑब्ज़र्वर परिवर्तनशीलता का उल्लेख नहीं करना (3)। हाल ही में एक रिपोर्ट में दोनों के बीच घनिष्ठ संबंध पाया गयाअल्ट्रासाउंड द्वारा अनुमानित किडनी फ़ंक्शन (eGFR) के साथ किडनी का आकार निर्धारित किया गया, लेकिन इसका आकलन नहीं किया गयाकिडनीफाइब्रोसिस(10). किरपालानी एट अल. ने बताया कि चुंबकीय अनुनाद इमेजिंग इलास्टोग्राफी किडनी फाइब्रोसिस (11) के साथ कठोरता स्कोर को सहसंबंधित करने के मामले में आशाजनक थी, लेकिन पूर्वानुमान सटीकता को अनुकूलित करने के साधन के रूप में मशीन लर्निंग टूल का पता नहीं लगाया।
कंप्यूटेड टोमोग्राफी (सीटी) रोगी को न्यूनतम विकिरण जोखिम के साथ गुर्दे के ऊतकों की उच्च-रिज़ॉल्यूशन इमेजिंग की अनुमति देता है (7)। संयोजन में मशीन लर्निंग तकनीकसीटी इमेजिंग के साथ उपचार गैर-रोग विशेषज्ञों के लिए एक आशाजनक रास्ता है।गुर्दे का आक्रामक मूल्यांकनफाईवर्तमान के स्थान पर ब्रोसिसदेखभाल का हिस्टोलॉजिक मानक। डीप लर्निंग कन्वोल्यूशनलन्यूरल नेटवर्क (सीएनएन) मशीन लर्निंग का एक नया रूप हैing, जो उसके प्रासंगिक पैटर्न को अलग कर सकता हैरोग के लिए उपयोगी टोलोजी, इमेजिंग या अन्य नैदानिक डेटा
लक्षण वर्णन (12,13)। निदान के लिए सीएनएन प्रौद्योगिकी का विभिन्न प्रकार की स्थितियों में पता लगाया गया है, जिसमें इंट्राक्रैनील रक्तस्राव और कैंसर से लेकर निमोनिया औरएपेंडिसाइटिस (14–17).
आर्टिफिशियल इंटेलिजेंस इन रीनल स्कारिंग (AIRS) अध्ययन का लक्ष्य गुर्दे की बायोप्सी के लिए कंप्यूटर-सहायता प्राप्त नैदानिक विकल्प के रूप में गुर्दे के फाइब्रोसिस को मापने के लिए CNN उपकरण विकसित करना है। दो CNN एल्गोरिदम (स्लाइस-लेवल और वॉक्सेल-लेवल क्लासिफायर) को एक ही रोगियों में किडनी बायोप्सी से ग्राउंड-ट्रुथ फाइब्रोसिस स्कोर के आधार पर फाइब्रोसिस की डिग्री को वर्गीकृत करने के लिए मूल और प्रत्यारोपित किडनी की सीटी इमेजिंग का विश्लेषण करने के लिए प्रशिक्षित किया गया था। इस पायलट विश्लेषण में, हमने हल्के/मध्यम बनाम गंभीर (,50% बनाम $50%) फाइब्रोसिस को चिकित्सकीय रूप से प्रासंगिक द्विभाजन के रूप में चित्रित करने पर ध्यान केंद्रित किया जो कि अपने रोगी के लिए किडनी बायोप्सी पर विचार करने वाले नेफ्रोलॉजिस्ट के लिए उपयोगी हो सकता है। हम प्रदर्शित करते हैं कि CNN एल्गोरिदम उच्च सटीकता के साथ हल्के/मध्यम किडनी फाइब्रोसिस से गंभीर को अलग कर सकते हैं
सामग्री और तरीके
रोगी डेटाबेस यह 2014 और 2019 के बीच कैलिफोर्निया विश्वविद्यालय इरविन मेडिकल सेंटर में किए गए किडनी बायोप्सी का पूर्वव्यापी विश्लेषण था। हमने किडनी बायोप्सी के 6 महीने के भीतर $1 उदर सीटी स्कैन वाले रोगियों की पहचान की। मेडिकल रिकॉर्ड सिस्टम की प्रारंभिक जांच के बाद, इमेजिंग कराने वाले 42 रोगियों को निम्नलिखित कारणों से बाहर रखा गया: समावेशन अवधि के बाहर किया गया सीटी स्कैन (बायोप्सी तिथि से .6 महीने, n53); उदर चुंबकीय अनुनाद इमेजिंग लेकिन सिस्टम में कोई सीटी नहीं मिला (n56); एनोटेशन प्रक्रिया में अनजाने में छोड़े गए रोगी (n52); ट्रांसप्लांट कराने वाले रोगी में मूल किडनी का खंडित नहीं होना (n51); हार्डवेयर आर्टिफैक्ट के साथ कम गुणवत्ता वाला स्कैन (n51); अधिकांश सीटी स्कैन (79%) बिना अंतःशिरा कंट्रास्ट के किए गए; 129 स्कैन फिलिप्स स्कैनर पर, 22 सीमेंस स्कैनर पर, तथा एक जी.ई. मेडिकल सिस्टम्स स्कैनर पर किए गए।
एक पैथोलॉजिस्ट (जेईजेड) ने फाइब्रोसिस की डिग्री की पुष्टि करने के लिए रोगियों के एक यादृच्छिक चयन की समीक्षा की, जिसे किडनी बायोप्सी रिपोर्ट में सटीक रूप से प्रलेखित किया गया था। असंगत रोगियों में, एक दूसरे पैथोलॉजिस्ट ने जमीनी सच्चाई निर्धारित करने के लिए स्लाइड की समीक्षा की (आभार देखें)। बायोप्सी रिपोर्ट से किडनी फाइब्रोसिस की जमीनी सच्चाई को एक बाइनरी परिणाम के रूप में माना गया: हल्का/मध्यम बनाम गंभीर (इंटरस्टिशियल फाइब्रोसिस और ट्यूबलर एट्रोफी, 50% बनाम $50%)। जिन रोगियों को प्रत्यारोपित किया गया था, उनके सीटी स्कैन में मूल किडनी को स्वचालित रूप से गंभीर फाइब्रोसिस के रूप में स्कोर किया गया था। जनसांख्यिकी और सहवर्ती स्थितियों को REDCap डेटाबेस में संकलित किया गया था, और सीटी छवियों को नीचे वर्णित अनुसार एक्सेस किया गया था। सभी शोध प्रक्रियाओं को यूनिवर्सिटी ऑफ कैलिफोर्निया इरविन इंस्टीट्यूशनल रिव्यू बोर्ड द्वारा अनुमोदित किया गया था।
टिप्पणी
सीटी स्कैन को हमारे अस्पताल के पिक्चर आर्काइविंग और संचार प्रणाली से सुरक्षित इन-हाउस डेटाबेस में स्थानांतरित किया गया। एक कस्टम स्वामित्व वाली वेब-आधारित एनोटेशन टूल का उपयोग मूल दाएं और बाएं गुर्दे और किसी भी गुर्दे के प्रत्यारोपण के अनुरूप ग्राउंड-ट्रुथ थ्री-डायमेंशनल बाइनरी मास्क बनाने के लिए किया गया था, यदि मौजूद हो। एनोटेशन टूल को बिना किसी थ्रेशोल्डिंग या उन्नत कंटूरिंग कार्यक्षमता के एक सरल ब्रश उपयोगिता के रूप में लागू किया गया था। दो छात्र शोधकर्ताओं (HRT, KAPR) ने मुख्य एनोटेटर के रूप में काम किया, और एक वरिष्ठ रेडियोलॉजिस्ट (PDC) ने बाद में प्रत्येक रोगी की समीक्षा की और जहाँ आवश्यक हो, रुचि के क्षेत्र के एनोटेशन को परिष्कृत किया।
छवि प्रीप्रोसेसिंग
एनोटेट किडनी वॉल्यूम मास्क को टेम्पलेट के रूप में उपयोग करते हुए, प्रत्येक किडनी को क्रॉप किया गया और आइसोट्रोपिक 96 3 96396 वॉक्सेल वॉल्यूम में रीसैंपल किया गया। यह रीसैंपलिंग ऑपरेशनयह सुनिश्चित करने के लिए कि सभी मॉडल इनपुट एक ही मैट्रिक्स आकार के थे और ग्राफिक्स प्रोसेसिंग यूनिट मेमोरी की सीमाओं को समायोजित करने के लिए आवश्यक था।पहले दाएं और बाएं गुर्दे को काटा गया था, और गुर्दे मूल सीटी वॉल्यूम का केवल एक छोटा सा हिस्सा बनाते हैं, अंतिम पुन: नमूना किए गए वॉक्सेल आकार रिज़ॉल्यूशन में समान थेमूल डेटा में परिवर्तन। फिर प्रत्येक क्रॉप किए गए वॉल्यूम को सभी वॉक्सेल मानों को 2150 से 250 हौंसफील्ड इकाइयों की सीमा तक क्लिप करके सामान्यीकृत किया गया और 1:50 के कारक द्वारा स्केल किया गया।इस डेटासेट में एकल परीक्षा में एल्गोरिदम प्रशिक्षण के लिए उपयोग की जाने वाली तीन अलग-अलग क्रॉप्ड किडनी हो सकती हैं: (नेटिव) लेफ्ट, (नेटिव) राइट, और ट्रांसप्लांट। किसी भी व्यक्तिगत बच्चे के लिएप्रशिक्षण के लिए कुल 96 द्वि-आयामी (2D) छवियों (आकार 96396) का उपयोग किया गया।
सीएनएन दृष्टिकोण
गंभीर और हल्के/मध्यम किडनी फाइब्रोसिस में अंतर करने के लिए दो अलग-अलग कस्टम 2D CNN नेटवर्क का परीक्षण और तुलना की गई। पहला एल्गोरिदम एक मानक वैश्विक हैस्लाइस-बाय-स्लाइस CNN क्लासिफायर, जिसे प्रत्येक 2D छवि के लिए तीन परस्पर अनन्य श्रेणियों में से एक की भविष्यवाणी करने के लिए डिज़ाइन किया गया है: नो-किडनी, हल्का/मध्यम फाइब्रोसिस, और गंभीर फाइब्रोसिस।दूसरा एल्गोरिथ्म एक पिक्सेल-स्तरीय CNN क्लासिफायर है जिसे एक साथ विभाजन और वर्गीकरण करने के लिए पूरी तरह से कन्वोल्यूशनल यू-नेट आर्किटेक्चर के माध्यम से कार्यान्वित किया गया है।
दोनों मॉडलों में, अंतिम वर्गीकरण किडनी के बिना स्लाइस या वोक्सल को अनदेखा करता है, और शेष भविष्यवाणियों पर बहुमत नियम को एकत्रित किया जाता है। दोनों एल्गोरिदम लागू किए गए हैंअत्याधुनिक निचोड़-और-उत्तेजना नेटवर्क आर्किटेक्चर का उपयोग करते हुए, 2017 में इमेजनेट लार्ज स्केल विज़ुअल रिकॉग्निशन चैलेंज का शीर्ष प्रदर्शन करने वाला मॉडल (18)।निचोड़-और-उत्तेजना नेटवर्क दृष्टिकोण नेटवर्क को सीखने के द्वारा विभिन्न मॉडल इनपुट के आधार पर चैनल-वार सुविधा प्रतिक्रियाओं को अनुकूली रूप से पुनः कैलिब्रेट करने में सक्षम बनाता है
चैनलों के बीच अंतरनिर्भरता (चित्र 1)।
चित्र 1.|डीप लर्निंग एल्गोरिदम द्वारा उत्पन्न पूर्वानुमान हीटमैप्स गुर्दे के भीतर संदिग्ध "गंभीर" फाइब्रोसिस के क्षेत्रों की पहचान करते हैं। बाएं से दाएं, सामान्य से लेकर गंभीर फाइब्रोसिस तक की किडनी को अनुमानित फाइब्रोटिक पैरेन्काइमा की प्रगतिशील डिग्री के साथ दिखाया गया है। संपूर्ण किडनी के लिए अंतिम औसत सॉफ्टमैक्स सामान्यीकृत पूर्वानुमान नीचे की पंक्ति में दिखाए गए हैं, जो 0.0 से 0.2 तक हैं; 0.2–0.4;{{0}}.4–0.6; 0.6–0.8; और 0.8–1.0.
ग्लोबल स्लाइस-बाय-स्लाइस क्लासिफायर
वैश्विक CNN क्लासिफायर एक कस्टम VGG-व्युत्पन्न आर्किटेक्चर है जिसे प्रत्येक परत पर निचोड़ उत्तेजना मॉड्यूल के साथ कार्यान्वित किया जाता है। मॉडल इनपुट एक एकल 2D (96396) स्लाइस हैऔर मॉडल आउटपुट एक तीन-तत्व लॉगिट वेक्टर है जो तीन-वर्ग की भविष्यवाणी का प्रतिनिधित्व करता है। CNN में चार कन्वोल्यूशनल ब्लॉक होते हैं, जहाँ प्रत्येक ब्लॉक को 333 के रूप में परिभाषित किया जाता हैकन्वोल्यूशन, बैच नॉर्मलाइज़ेशन और ReLU को कुल तीन बार दोहराया गया। सबसैंपलिंग प्रत्येक ब्लॉक के अंत में दो स्ट्राइड वाले कन्वोल्यूशन के माध्यम से किया जाता है।
चार कन्वोल्यूशनल ब्लॉक (12 परतें) में, अंतिम फीचर मैप को समतल किया जाता है और एक पूरी तरह से जुड़ी हुई परत में इनपुट के रूप में उपयोग किया जाता है।
वॉक्सेल-स्तर क्लासिफायर
वॉक्सेल-लेवल CNN क्लासिफायर एक कस्टम U-Netderived आर्किटेक्चर है जिसे प्रत्येक लेयर (19) पर स्क्वीज़ एक्साइटेशन मॉड्यूल के साथ लागू किया गया है। मॉडल इनपुट एक सिंगल 2D (96396) स्लाइस है और मॉडल आउटपुट एक सिंगल 2D (96396) सेगमेंटेशन मास्क है जिसमें प्रत्येक वॉक्सेल लोकेशन पर तीन-क्लास की भविष्यवाणी होती है। CNN में चार कॉन्ट्रैक्टिंग कन्वोल्यूशनल ब्लॉक होते हैं, जहाँ प्रत्येक ब्लॉक को 333 कन्वोल्यूशन, बैच नॉर्मलाइज़ेशन और लीकी ReLU के रूप में परिभाषित किया जाता है, जिसे कुल तीन बार दोहराया जाता है। प्रत्येक ब्लॉक के अंत में दो स्ट्राइड वाले कन्वोल्यूशन के माध्यम से सबसैंपलिंग की जाती है। चार कन्वोल्यूशनल ब्लॉक (12 लेयर) के बाद, संचालन एक समान नेटवर्क आर्किटेक्चर के माध्यम से उलट दिया जाता है, जिसमें स्ट्राइडेड कन्वोल्यूशन (सब-नमूनाकरण) कन्वोल्यूशनल ट्रांसपोज़ (अपसैंपलिंग) के साथ।
तंत्रिका नेटवर्क कार्यान्वयन
दोनों मॉडलों को अनुकूलित करने के लिए सॉफ्टमैक्स क्रॉसएंट्रॉपी लॉस फ़ंक्शन का उपयोग किया जाता है। अनुकूलन एडम तकनीक (20) का उपयोग करके एक्सपोनेंशियल डेके रेट्स, b1, और b2 के साथ किया गया था,क्रमशः {{0}}.9 और 0.999 पर। सीखने की दर 131023 पर सेट की गई है। बैच का आकार आठ पर सेट किया गया है, जिसमें कुल 25,000 प्रशिक्षण पुनरावृत्तियाँ हैं। आरंभ करने के लिए जेवियर सामान्यीकरण का उपयोग किया जाता हैप्रशिक्षण से पहले वजन (21)। एल्गोरिथ्म कोड पायथन 3.6, टेंसरफ्लो 2.1.0 लाइब्रेरी और केरास 1.0.8 लाइब्रेरी में लिखा गया था। नेटवर्क को हमारे इन-हाउस ग्राफ़िक्स प्रोसेसिंग यूनिट क्लस्टर पर प्रशिक्षित किया जाता है, जिसमें 48 Nvidia GeForce RTX 2080 Ti और 12 GeForce RTX टाइटन्स शामिल हैं। औसतन, वैश्विक क्लासिफायर प्रति प्रयोग 30 मिनट के लिए प्रशिक्षित होता है, जबकि वॉक्सेल-आधारित क्लासिफायर प्रति प्रयोग 2-4 घंटे के लिए प्रशिक्षित होता है।
मूल्यांकन
प्रशिक्षण प्रक्रिया का मूल्यांकन करने के लिए पांच गुना क्रॉस-वैलिडेशन रणनीति का उपयोग किया गया। हालांकि प्रत्येक रोगी की तीन अलग-अलग किडनी का उपचार अलग-अलग तरीके से किया गया।प्रशिक्षण प्रक्रिया में, एक ही मरीज़ से सभी वॉल्यूम को डेटा लीक होने से बचाने के लिए एक ही क्रॉस-वैलिडेशन समूह में स्तरीकृत किया जाता है। डेटासेट को 80:20 में विभाजित किया गया और फिर प्रशिक्षित किया गया80%, जबकि बाकी 20% का उपयोग सत्यापन के लिए किया गया। प्रशिक्षण को अलग-अलग 80:20 विभाजनों के साथ कुल पांच बार दोहराया गया जब तक कि संपूर्ण डेटासेट पूरी तरह से मान्य नहीं हो गया
संपूर्ण डेटा कोहोर्ट पर प्रयोगों के अलावा, संभावित भ्रामक चरों का मूल्यांकन करने के लिए अतिरिक्त उप-कोहोर्ट विश्लेषण किए गए। स्तरीकरण लागू किया गयाट्रांसप्लांट प्राप्त करने वाले रोगियों में अंतःशिरा कंट्रास्ट स्थिति और एट्रोफिक मूल किडनी के बहिष्करण के आधार पर। इसके अलावा, मॉडल सामान्यीकरण का मूल्यांकन करने के लिए, मॉडफिलिप्स और जीई स्कैनरों से विशेष रूप से प्रशिक्षित किए गए कंप्यूटरों को सीमेंस स्कैनरों से प्राप्त आंकड़ों से सत्यापित किया गया।
आंकड़े
हमारे अध्ययन का लक्ष्य किडनी सीटी इमेजिंग पर हल्के/मध्यम फाइब्रोसिस और गंभीर फाइब्रोसिस के बीच अंतर करना था। दोनों दृष्टिकोणों में बहुमत नियम का उपयोग किया गया (वैश्विक स्लाइस-बाय-स्लाइसऔर वॉक्सेल-आधारित) की गंभीरता का निर्धारण करने के लिएफाईब्रोसिस.दोनों दृष्टिकोणों के बीच प्रदर्शन का मूल्यांकन करने के लिए,सटीकता, संवेदनशीलता, विशिष्टताफाईशहर, सकारात्मक भविष्यसूचक मूल्य(पीपीवी), और नकारात्मक भविष्य कहनेवाला मूल्य (एनपीवी) की गणना की गईलेट और तुलना की गई। रिसीवर ऑपरेटिंग के तहत क्षेत्रसॉफ्टमैक्स को बदलकर वक्र (AUC) की भी गणना की गईस्कोर सीमाफाईब्रोसिस क्लासिकफाईधनायन और परिणामतुलना करने के लिए दोनों दृष्टिकोणों के लिए एक वक्र तैयार किया गया है। वर्णन करेंसकारात्मक सांख्यिकी औसत के रूप में रिपोर्ट की जाती है6एसडी.
