Kunstig intelligens-baserte teknikker for å karakterisere nyrenes mikrostruktur på histologiske bilder (AI-TIME)

Morfologibasert histopatologisk analyse av nyrevev spiller en nøkkelrolle i diagnostisering og terapeutiske beslutninger for mange nyresykdommer. Til dags dato er histopatologisk analyse hovedsakelig utført kvalitativt, ved visuell inspeksjon, som krever høyt trente ekspertpatologer.

Histopatologiske funn blir ofte skåret av patologer ved bruk av semikvantitative diagnostiske klassifiseringsskalaer, for eksempel Oxford-klassifiseringen av IgA-nefropati eller sykdomsgradsskalaer. Til tross for slike scoringssystemer forblir histopatologisk analyse semikvantitativ, tidkrevende og svært operatøravhengig. Manuelle teknikker har blitt foreslått for å kvantitativt vurdere nyremikrostruktur på histologiske bilder, som viser potensial til å overvåke sykdomsprogresjon og respons på terapi ved kronisk nyresykdom (CKD). Som et eksempel er peritubulært interstitielt volum, ansvarlig for viktige endokrine funksjoner og gjennomgår betydelig, om enn reversibel, ekspansjon ved CKD, nylig blitt kvantifisert på nyrebiopsiprøver ved punkttelling på hver ramme. Til tross for at de tillater nøyaktig kvantifisering, er disse manuelle teknikkene arbeidskrevende og operatøravhengige. Rask og objektiv kvantitativ vurdering av nyrenes mikrostruktur vil være svært ønskelig.

Digitaliseringen av histologiske bilder, på samme måte som for diagnostiske bilder, har gjort det mulig å dra nytte av avanserte bildeanalyseteknikker som muliggjør identifisering og segmentering av relevante histopatologiske strukturer, og kvantitativ vurdering av vevsmikrostruktur.

I de siste årene har kunstig intelligens (AI) og spesielt dyplæringsteknikker (DL) vist lovende for (semi)automatisert segmentering av relevante morfologiske strukturer på histologiske bilder, noe som begrenser behovet for ekspertoperatører, sikrer reproduserbarhet og reduserer massivt. tidsbehovet. Konvolusjonelle nevrale nettverk (CNN) har nylig vist enestående ytelse i bildesegmenteringsoppgaver, også innen det medisinske feltet. Spesielt de såkalte U-nettene, som består av en kontraherende og en ekspanderende bane, har blitt stadig mer populære siden den første gang ble brukt. Få studier har så langt brukt CNN-er for å undersøke nyremikrostruktur på histologiske bilder. Hermsen et al. brukte CNN-er for multi-klasse segmentering av histologiske bilder fra nyrebiopsier [8]. En lignende studie hadde som mål å utvikle et CNN for segmentering av musenyrevevsstrukturer, som glomeruli, tubuli, arterier og vener, basert på tett annoterte bilder fra forskjellige nyresykdommer og forskjellige dyrearter.

Til tross for disse lovende foreløpige innsatsene, utgjør den høye heterogeniteten til morfologiske mønstre utfordringer for generaliserbarheten til segmenteringsteknikkene. Automatiserte DL-baserte metoder som er i stand til å nøyaktig segmentere og kvantifisere relevante morfologiske strukturer på histologiske nyrebilder fra pasienter med ulike nyrepatologier og/eller ulike sykdomsstadier vil være svært ønskelig.