Op kunstmatige intelligentie gebaseerde technieken om de niermicrostructuur op histologische beelden te karakteriseren (AI-TIME)

Op morfologie gebaseerde histopathologische analyse van nierweefsel speelt een sleutelrol bij de diagnose en therapeutische beslissingen van veel nierziekten. Tot op heden wordt histopathologische analyse voornamelijk kwalitatief uitgevoerd, door visuele inspectie, waarvoor hoogopgeleide deskundige pathologen nodig zijn.

Histopathologische bevindingen worden vaak gescoord door pathologen met behulp van semikwantitatieve diagnostische classificatieschalen, zoals de Oxford-classificatie van IgA-nefropathie, of schalen voor de ernst van de ziekte. Ondanks dergelijke scoresystemen blijft histopathologische analyse semi-kwantitatief, tijdrovend en sterk afhankelijk van de operator. Er zijn handmatige technieken voorgesteld om de microstructuur van de nieren kwantitatief te beoordelen op histologische beelden, wat het potentieel aantoont om de ziekteprogressie en de respons op therapie bij chronische nierziekte (CKD) te monitoren. Zo is het peritubulaire interstitiële volume, verantwoordelijk voor cruciale endocriene functies en dat significante, zij het omkeerbare expansie ondergaat bij chronische nierziekte, onlangs gekwantificeerd op nierbiopsiespecimens door op elk frame punten te tellen. Ondanks dat ze nauwkeurige kwantificering mogelijk maken, zijn deze handmatige technieken arbeidsintensief en afhankelijk van de operator. Een snelle en objectieve kwantitatieve beoordeling van de niermicrostructuur zou zeer wenselijk zijn.

De digitalisering van histologische beelden, net als voor diagnostische beelden, heeft het mogelijk gemaakt om te profiteren van geavanceerde beeldanalysetechnieken die identificatie en segmentatie van relevante histopathologische structuren en kwantitatieve beoordeling van de weefselmicrostructuur mogelijk maken.

De afgelopen jaren hebben kunstmatige intelligentie (AI) en in het bijzonder deep learning (DL)-technieken veelbelovende resultaten opgeleverd voor de (semi)automatische segmentatie van relevante morfologische structuren op histologische beelden, waardoor de behoefte aan deskundige operators wordt beperkt, de reproduceerbaarheid wordt gewaarborgd en de de tijdvraag. Convolutionele neurale netwerken (CNN's) hebben onlangs uitstekende prestaties laten zien bij beeldsegmentatietaken, ook op medisch gebied. Met name de zogenaamde U-Nets, bestaande uit een samentrekkend en een uitbreidend pad, zijn sinds het eerste gebruik steeds populairder geworden. Tot nu toe hebben weinig onderzoeken CNN's gebruikt om de microstructuur van de nieren op histologische beelden te onderzoeken. Hermsen et al. gebruikte CNN’s voor segmentatie in meerdere klassen van histologische beelden uit nierbiopten [8]. Een soortgelijk onderzoek had tot doel een CNN te ontwikkelen voor de segmentatie van nierweefselstructuren van muizen, zoals glomeruli, tubuli, slagaders en aders, gebaseerd op dicht geannoteerde beelden van verschillende nierziekten en verschillende diersoorten.

Ondanks deze veelbelovende voorbereidende inspanningen vormt de hoge heterogeniteit van morfologische patronen een uitdaging voor de generaliseerbaarheid van de segmentatietechnieken. Geautomatiseerde, op DL gebaseerde methoden die in staat zijn om relevante morfologische structuren nauwkeurig te segmenteren en te kwantificeren op histologische nierbeelden van patiënten met verschillende nierpathologieën en/of verschillende ziektestadia zouden zeer wenselijk zijn.