組織画像上の腎臓の微細構造を特徴付ける人工知能ベースの技術 (AI-TIME)

形態学に基づいた腎組織の組織病理学的分析は、多くの腎疾患の診断と治療上の決定において重要な役割を果たします。 現在まで、組織病理学的分析は主に目視検査によって定性的に行われており、高度な訓練を受けた専門病理学者が必要です。

病理組織学的所見は、病理学者によって IgA 腎症のオックスフォード分類や疾患重症度スケールなどの半定量的診断分類スケールを使用してスコア付けされることがよくあります。 このようなスコアリングシステムにもかかわらず、組織病理学的分析は依然として半定量的であり、時間がかかり、オペレーターに大きく依存します。 組織学的画像上で腎臓の微細構造を定量的に評価するための手動技術が提案されており、慢性腎臓病（CKD）における疾患の進行と治療への反応を監視できる可能性が示されています。 一例として、重要な内分泌機能を担い、CKD において可逆的ではあるが顕著な拡大を起こす尿細管周囲間質容積が、最近腎生検標本上で各フレームの点カウントによって定量化されました。 これらの手動技術は正確な定量化を可能にしますが、労働集約的であり、オペレーターに依存します。 腎臓の微細構造を迅速かつ客観的に定量的に評価することが非常に望ましいと考えられます。

診断画像と同様に、組織学的画像のデジタル化により、関連する組織病理学的構造の識別とセグメント化、および組織微細構造の定量的評価を可能にする高度な画像分析技術の恩恵を受けることが可能になりました。

近年、人工知能（AI）、特にディープラーニング（DL）技術により、組織画像上の関連する形態学的構造の（半）自動セグメンテーションが可能となり、専門オペレーターの必要性が制限され、再現性が確保され、コストが大幅に削減されます。時間の要求。 畳み込みニューラル ネットワーク (CNN) は、最近、医療分野でも画像セグメンテーション タスクにおいて優れたパフォーマンスを実証しています。 特に、縮小パスと拡張パスで構成されるいわゆる U-Net は、最初に使用されて以来、ますます人気が高まっています。 これまでのところ、組織学的画像上の腎臓の微細構造を調査するために CNN を使用した研究はほとんどありません。 ヘルムセンら。は、腎生検からの組織学的画像のマルチクラスセグメンテーションに CNN を使用しました [8]。 同様の研究では、さまざまな腎疾患やさまざまな動物種からの密に注釈が付けられた画像に基づいて、糸球体、尿細管、動脈、静脈などのマウスの腎組織構造をセグメンテーションするための CNN を開発することを目的としていました。

これらの有望な予備的な取り組みにもかかわらず、形態学的パターンの高い不均一性により、セグメンテーション技術の一般化可能性に課題が生じています。 異なる腎臓病状および/または異なる病期を有する患者からの組織学的腎臓画像上の関連する形態学的構造を正確にセグメント化および定量化できる自動化されたDLベースの方法が非常に望ましい。