Kunstig intelligens-baserede billedbehandlingsmetoder til at fremme karakteriseringen af ​​polycystisk nyresygdom (AI4PKD)

Autosomal dominant polycystisk nyresygdom (ADPKD) er den mest udbredte arvelige nyresygdom, der rammer 12,5 millioner mennesker verden over i alle etniske grupper. ADPKD er forårsaget af en genmutation i enten PKD1 eller PKD2, der fører til dannelse og vækst af flere væskefyldte cyster i nyrerne og ofte leveren, hvilket fører til kronisk nyreskade og i sidste ende nyresygdom i slutstadiet. Ved ADPKD kan nyrefunktionen forblive normal i flere årtier og er derfor ikke fuldt informativ. Identifikationen af ​​tidlige biomarkører, der er i stand til nøjagtigt at overvåge og forudsige sygdomsprogression med henblik på at træffe hurtige foranstaltninger og vælge målrettede behandlingsmuligheder, er et presserende behov. Total nyrevolumen er blevet anerkendt som en prognostisk biomarkør til at udvælge patienter til kliniske forsøg og er anerkendt af det videnskabelige samfund som en relevant biomarkør til at overvåge sygdomsprogression og respons på terapi og til at forudsige ADPKD-forløb. Samlet nyrevolumen kan kvantificeres ved hjælp af medicinske billeder, såsom ultralyd, computertomografi og magnetisk resonansbilleddannelse (MRI). Renal ikke-kontrastforstærket MRI, betegnet med høj opløsning og uden behov for kontrastmidler eller ioniserende stråling, er den mest velegnede til at overvåge total nyrevolumenprogression over tid og tydeligt detektere nyrecyster. Da mange ADPKD-patienter også har polycystiske lever, kan total lever- og levercystevolumen give yderligere relevant information.

Målinger af total nyre-, lever- og cystevolumen er baseret på nyresegmentering, som generelt udføres ved manuel konturering, en operatørafhængig og tidskrævende opgave, der kræver dedikeret ekspertise. Automatiske eller semi-automatiske metoder til nyre- og cystersegmentering er tidligere blevet foreslået baseret på traditionelle tilgange og kunstig intelligens (AI) teknikker. Imidlertid har den lave forklarlighed og behovet for store og kurerede datasæt, der gør det muligt at opnå nøjagtige og generaliserede modeller, indtil videre hæmmet deres brede anvendelse i klinisk forskning. En fuldautomatisk segmenteringsmetode til nøjagtig identifikation af nyrer, lever og cyster ville være yderst ønskelig.

Ud over kvantificering af nyre-, lever- og cystevolumen kan karakteriseringen af ​​ikke-cystisk nyrevæv give yderligere relevant information om ADPKD-patofysiologi. For få år siden afslørede et kontrastforstærket CT-studie tilstedeværelsen af ​​peritubulær interstitiel fibrose i den ikke-cystiske komponent af ADPKD-nyrer, der var forbundet med nyrefunktionen og dens fald over tid, bekræftet for nylig af en uafhængig undersøgelse af dynamisk kontrastforstærket T1 -vægtet MR. Avancerede billedbehandlingsteknikker, såsom radiomik, der har til formål at beregne høj gennemløbsinformation fra radiologiske billeder til karakterisering af vævsrumlig heterogenitet, viser potentiale til at karakterisere vævsmikrostruktur. Foreløbige forsøg på ADPKD-patienter blev udført på T1-vægtede og T2-vægtede MR-scanninger. Desuden kunne radiomik være nyttig til at bygge multiparametriske stratificerings- og forudsigelsesmodeller, herunder billedbaserede funktioner.