조직학적 이미지에서 신장 미세구조를 특성화하는 인공지능 기반 기술 (AI-TIME)

신장 조직의 형태학 기반 조직병리학적 분석은 많은 신장 질환의 진단 및 치료 결정에 중요한 역할을 합니다. 현재까지 조직병리학적 분석은 주로 육안 검사를 통해 정성적으로 수행되므로 고도로 훈련된 전문 병리학자가 필요합니다.

조직병리학적 소견은 IgA 신장병증의 옥스퍼드 분류 또는 질병 심각도 척도와 같은 반정량적 진단 분류 척도를 사용하여 병리학자가 채점하는 경우가 많습니다. 이러한 채점 시스템에도 불구하고 조직병리학적 분석은 반정량적이고 시간 소모적이며 작업자 의존도가 높습니다. 조직학적 이미지에서 신장 미세구조를 정량적으로 평가하기 위한 수동 기술이 제안되었으며, 이는 만성 신장 질환(CKD)의 질병 진행 및 치료에 대한 반응을 모니터링할 수 있는 가능성을 보여줍니다. 예를 들어, 중요한 내분비 기능을 담당하고 CKD에서 상당한(가역적이기는 하지만) 확장을 겪고 있는 세뇨관 주위 간질 부피는 최근 각 프레임의 포인트 계산을 통해 신장 생검 표본에서 정량화되었습니다. 정확한 정량화가 가능함에도 불구하고 이러한 수동 기술은 노동 집약적이며 작업자에 따라 다릅니다. 신장 미세구조에 대한 빠르고 객관적인 정량적 평가가 매우 바람직합니다.

진단 이미지와 마찬가지로 조직학적 이미지의 디지털화를 통해 관련 조직병리학적 구조를 식별 및 분할하고 조직 미세구조를 정량적으로 평가할 수 있는 고급 이미지 분석 기술의 이점을 누릴 수 있게 되었습니다.

최근 몇 년 동안 인공 지능(AI), 특히 딥 러닝(DL) 기술은 조직학적 이미지의 관련 형태학적 구조를 (반)자동으로 분할하여 전문 운영자의 필요성을 제한하고 재현성을 보장하며 대규모 감소에 대한 가능성을 보여주었습니다. 시간 수요. CNN(Convolutional Neural Network)은 최근 의료 분야에서도 이미지 분할 작업에서 뛰어난 성능을 입증했습니다. 특히 축소형 경로와 확장형 경로로 구성된 소위 U-Net은 처음 사용된 이후 점점 인기를 얻고 있습니다. 지금까지 CNN을 사용하여 조직학적 이미지의 신장 미세 구조를 조사한 연구는 거의 없습니다. Hermsenet al. 신장 생검에서 얻은 조직학적 이미지의 다중 클래스 분할을 위해 CNN을 사용했습니다[8]. 비슷한 연구에서는 다양한 신장 질환과 다양한 동물 종의 조밀하게 주석이 달린 이미지를 기반으로 사구체, 세뇨관, 동맥 및 정맥과 같은 마우스 신장 조직 구조를 분할하기 위한 CNN을 개발하는 것을 목표로 했습니다.

이러한 유망한 예비 노력에도 불구하고 형태학적 패턴의 높은 이질성으로 인해 분할 기술의 일반화에 어려움이 있습니다. 다양한 신장 병리 및/또는 다양한 질병 단계를 가진 환자의 조직학적 신장 이미지에서 관련 형태학적 구조를 정확하게 분할하고 정량화할 수 있는 자동화된 DL 기반 방법이 매우 바람직할 것입니다.