Kunstig intelligens-baserede teknikker til at karakterisere nyrernes mikrostruktur på histologiske billeder (AI-TIME)

Morfologi-baseret histopatologisk analyse af nyrevæv spiller en nøglerolle i diagnosticering og terapeutiske beslutninger af mange nyresygdomme. Til dato udføres histopatologisk analyse hovedsageligt kvalitativt ved visuel inspektion, hvilket kræver højt uddannede ekspertpatologer.

Histopatologiske fund bedømmes ofte af patologer ved hjælp af semikvantitative diagnostiske klassifikationsskalaer, såsom Oxford-klassifikationen af ​​IgA nefropati eller sygdomssværhedsskalaer. På trods af sådanne scoringssystemer forbliver histopatologisk analyse semikvantitativ, tidskrævende og meget operatørafhængig. Manuelle teknikker er blevet foreslået til kvantitativ vurdering af nyremikrostruktur på histologiske billeder, som viser potentiale til at overvåge sygdomsprogression og respons på terapi ved kronisk nyresygdom (CKD). Som et eksempel er peritubulært interstitielt volumen, der er ansvarlig for afgørende endokrine funktioner og gennemgår betydelig, omend reversibel, ekspansion i CKD, for nylig blevet kvantificeret på nyrebiopsiprøver ved punkttælling på hver ramme. På trods af at de tillader nøjagtig kvantificering, er disse manuelle teknikker arbejdskrævende og operatørafhængige. Hurtig og objektiv kvantitativ vurdering af nyrernes mikrostruktur ville være yderst ønskelig.

Digitaliseringen af ​​histologiske billeder, på samme måde som for diagnostiske billeder, har gjort det muligt at drage fordel af avancerede billedanalyseteknikker, der muliggør identifikation og segmentering af relevante histopatologiske strukturer og kvantitativ vurdering af vævsmikrostruktur.

I de seneste år har kunstig intelligens (AI) og især Deep Learning (DL) teknikker vist lovende for (semi)automatiseret segmentering af relevante morfologiske strukturer på histologiske billeder, hvilket begrænser behovet for ekspertoperatører, sikrer reproducerbarhed og reducerer massivt. tidsbehovet. Konvolutionelle neurale netværk (CNN'er) har for nylig demonstreret enestående ydeevne i billedsegmenteringsopgaver, også inden for det medicinske område. Især de såkaldte U-Nets, der består af en kontraherende og en ekspanderende sti, er blevet mere og mere populære siden den første gang blev brugt. Få undersøgelser har hidtil brugt CNN'er til at undersøge nyres mikrostruktur på histologiske billeder. Hermsen et al. brugte CNN'er til multi-klasse segmentering af histologiske billeder fra nyrebiopsier [8]. En lignende undersøgelse havde til formål at udvikle et CNN til segmentering af musenyrevævsstrukturer, såsom glomeruli, tubuli, arterier og vener, baseret på tæt annoterede billeder fra forskellige nyresygdomme og forskellige dyrearter.

På trods af disse lovende foreløbige bestræbelser udgør den høje heterogenitet af morfologiske mønstre udfordringer for generaliserbarheden af ​​segmenteringsteknikkerne. Automatiserede DL-baserede metoder, der er i stand til nøjagtigt at segmentere og kvantificere relevante morfologiske strukturer på histologiske nyrebilleder fra patienter med forskellige nyrepatologier og/eller forskellige sygdomsstadier, ville være yderst ønskelige.