Tekoälyyn perustuvat tekniikat munuaisen mikrorakenteen karakterisoimiseksi histologisissa kuvissa (AI-TIME)

Morfologiaan perustuva munuaiskudoksen histopatologinen analyysi on keskeinen rooli monien munuaissairauksien diagnosoinnissa ja hoitopäätöksissä. Tähän mennessä histopatologinen analyysi on tehty pääasiassa laadullisesti, silmämääräisellä tarkastuksella, mikä vaatii korkeasti koulutettuja asiantuntijapatologeja.

Patologit arvioivat usein histopatologiset löydökset käyttämällä semikvantitatiivisia diagnostisia luokitusasteikkoja, kuten Oxfordin IgA-nefropatian luokittelua tai sairauden vakavuusasteikkoja. Tällaisista pisteytysjärjestelmistä huolimatta histopatologinen analyysi on edelleen puolikvantitatiivinen, aikaa vievä ja erittäin käyttäjäriippuvainen. Manuaalisia tekniikoita on ehdotettu munuaisten mikrorakenteen kvantitatiiviseksi arvioimiseksi histologisissa kuvissa, mikä osoittaa potentiaalin seurata sairauden etenemistä ja vastetta hoitoon kroonisessa munuaissairaudessa (CKD). Esimerkiksi peritubulaarinen interstitiaalinen tilavuus, joka vastaa keskeisistä endokriinisistä toiminnoista ja jossa tapahtuu merkittävää, vaikkakin palautuvaa, laajentumista kroonisessa munuaistaudissa, on äskettäin kvantifioitu munuaisbiopsianäytteillä laskemalla kunkin kehyksen pisteet. Huolimatta siitä, että nämä manuaaliset tekniikat mahdollistavat tarkan kvantifioinnin, ne ovat työvoimavaltaisia ​​ja käyttäjästä riippuvaisia. Munuaisten mikrorakenteen nopea ja objektiivinen kvantitatiivinen arviointi olisi erittäin toivottavaa.

Histologisten kuvien digitalisointi, kuten diagnostistenkin kuvien, on mahdollistanut edistyneiden kuva-analyysitekniikoiden hyödyntämisen, mikä mahdollistaa relevanttien histopatologisten rakenteiden tunnistamisen ja segmentoinnin sekä kudosten mikrorakenteen kvantitatiivisen arvioinnin.

Viime vuosina tekoäly (AI) ja erityisesti Deep Learning (DL) -tekniikat ovat osoittaneet lupaavia morfologisten rakenteiden (puoli)automaattisesta segmentoinnista histologisissa kuvissa, mikä rajoittaa asiantuntevien toimijoiden tarvetta, varmistaa toistettavuuden ja vähentää massiivisesti. ajan kysyntä. Konvoluutiohermoverkot (CNN) ovat viime aikoina osoittaneet erinomaista suorituskykyä kuvan segmentointitehtävissä, myös lääketieteen alalla. Erityisesti niin sanotut U-Net-verkot, jotka koostuvat supistuvasta ja laajenevasta polusta, ovat tulleet yhä suositummiksi ensimmäisestä käyttökerrasta lähtien. Harvat tutkimukset ovat toistaiseksi käyttäneet CNN:itä munuaisten mikrorakenteen tutkimiseen histologisissa kuvissa. Hermsen et ai. käytti CNN:itä munuaisbiopsioista otettujen histologisten kuvien moniluokkaiseen segmentointiin [8]. Samankaltaisessa tutkimuksessa pyrittiin kehittämään CNN hiiren munuaiskudosrakenteiden, kuten glomerulusten, tubulusten, valtimoiden ja suonien segmentoimiseksi, perustuen tiheästi merkittyihin kuviin erilaisista munuaissairauksista ja eri eläinlajeista.

Näistä lupaavista alustavista ponnisteluista huolimatta morfologisten kuvioiden suuri heterogeenisyys asettaa haasteita segmentointitekniikoiden yleistettävyydelle. Automaattiset DL-pohjaiset menetelmät, jotka pystyvät segmentoimaan ja kvantifioimaan tarkasti merkitykselliset morfologiset rakenteet histologisissa munuaiskuvissa potilailta, joilla on erilainen munuaispatologia ja/tai sairausvaihe, olisivat erittäin toivottavia.