Techniky založené na umělé inteligenci k charakterizaci mikrostruktury ledvin na histologických snímcích (AI-TIME)

Histopatologická analýza ledvinové tkáně založená na morfologii hraje klíčovou roli v diagnostice a terapeutických rozhodnutích mnoha onemocnění ledvin. Dosud se histopatologická analýza provádí především kvalitativně, vizuální kontrolou, což vyžaduje vysoce vyškolené odborné patology.

Histopatologické nálezy jsou často hodnoceny patology pomocí semikvantitativních diagnostických klasifikačních škál, jako je Oxfordská klasifikace IgA nefropatie, nebo škály závažnosti onemocnění. Přes takové skórovací systémy zůstává histopatologická analýza semikvantitativní, časově náročná a vysoce závislá na operátorovi. Pro kvantitativní hodnocení mikrostruktury ledvin na histologických snímcích byly navrženy manuální techniky, které ukazují potenciál monitorovat progresi onemocnění a odpověď na terapii u chronického onemocnění ledvin (CKD). Například, peritubulární intersticiální objem, zodpovědný za klíčové endokrinní funkce a podstupující významnou, i když reverzibilní expanzi u CKD, byl nedávno kvantifikován ve vzorcích biopsie ledvin bodovým počítáním v každém snímku. Navzdory tomu, že umožňují přesnou kvantifikaci, jsou tyto manuální techniky pracné a závislé na operátorovi. Rychlé a objektivní kvantitativní hodnocení mikrostruktury ledvin by bylo vysoce žádoucí.

Digitalizace histologických snímků, stejně jako diagnostických snímků, umožnila využít pokročilé techniky analýzy snímků umožňující identifikaci a segmentaci relevantních histopatologických struktur a kvantitativní hodnocení mikrostruktury tkáně.

Techniky umělé inteligence (AI) a zejména techniky hlubokého učení (DL) se v posledních letech ukázaly jako slibné pro (polo)automatizovanou segmentaci relevantních morfologických struktur na histologických snímcích, což omezuje potřebu odborných operátorů, zajišťuje reprodukovatelnost a výrazně snižuje časovou náročnost. Konvoluční neuronové sítě (CNN) nedávno prokázaly vynikající výkon v úkolech segmentace obrazu, také v lékařské oblasti. Zejména takzvané U-sítě, sestávající ze smršťovací a rozšiřující se dráhy, jsou od prvního použití stále populárnější. Jen málo studií dosud použilo CNN ke zkoumání mikrostruktury ledvin na histologických snímcích. Hermsen a kol. použili CNN pro vícetřídní segmentaci histologických obrazů z biopsií ledvin [8]. Podobná studie měla za cíl vyvinout CNN pro segmentaci struktur myší ledvinové tkáně, jako jsou glomeruly, tubuly, tepny a žíly, na základě hustě anotovaných snímků z různých ledvinových onemocnění a různých živočišných druhů.

Navzdory těmto slibným předběžným snahám představuje vysoká heterogenita morfologických vzorů problémy zobecnitelnosti segmentačních technik. Velmi žádoucí by byly automatizované metody založené na DL schopné přesně segmentovat a kvantifikovat relevantní morfologické struktury na histologických snímcích ledvin od pacientů s různými ledvinovými patologiemi a/nebo různým stádiem onemocnění.