Metody przetwarzania obrazu oparte na sztucznej inteligencji w celu usprawnienia charakterystyki policystycznych chorób nerek (AI4PKD)

Autosomalna dominująca wielotorbielowatość nerek (ADPKD) jest najczęstszą dziedziczną chorobą nerek, na którą cierpi 12,5 miliona ludzi na całym świecie, we wszystkich grupach etnicznych. ADPKD jest spowodowane mutacją genu PKD1 lub PKD2, która prowadzi do tworzenia i wzrostu wielu wypełnionych płynem cyst w nerkach, a często w wątrobie, co prowadzi do przewlekłego uszkodzenia nerek i ostatecznie do schyłkowej niewydolności nerek. W ADPKD czynność nerek może pozostać prawidłowa przez kilka dziesięcioleci i dlatego nie daje w pełni informacji. Pilnie potrzebna jest identyfikacja wczesnych biomarkerów umożliwiających dokładne monitorowanie i przewidywanie postępu choroby w celu podjęcia szybkich działań i wyboru ukierunkowanych opcji leczenia. Całkowita objętość nerek została uznana za biomarker prognostyczny przy selekcji pacjentów do badań klinicznych, a społeczność naukowa uznaje ją za istotny biomarker monitorujący postęp choroby i odpowiedź na leczenie oraz przewidywający przebieg ADPKD. Całkowitą objętość nerek można określić ilościowo za pomocą obrazów medycznych, takich jak USG, tomografia komputerowa i rezonans magnetyczny (MRI). MRI nerek wzmocnione bez kontrastu, charakteryzujące się wysoką rozdzielczością i niewymagające stosowania środków kontrastowych ani promieniowania jonizującego, jest najbardziej odpowiednie do monitorowania postępu całkowitej objętości nerek w czasie i wyraźnego wykrywania torbieli nerkowych. Ponieważ wielu pacjentów z ADPKD ma także policystyczną wątrobę, dodatkowych istotnych informacji może dostarczyć całkowita wątroba i objętość torbieli wątroby.

Pomiary całkowitej objętości nerek, wątroby i cyst opierają się na segmentacji nerek, która jest zwykle wykonywana poprzez ręczne modelowanie kształtu, co jest zadaniem zależnym od operatora i czasochłonnym, wymagającym specjalistycznej wiedzy. W przeszłości proponowano automatyczne lub półautomatyczne metody segmentacji nerek i cyst w oparciu o tradycyjne podejścia i techniki sztucznej inteligencji (AI). Jednakże niska wyjaśnialność oraz potrzeba dużych i wyselekcjonowanych zbiorów danych umożliwiających uzyskanie dokładnych i uogólnionych modeli utrudniały jak dotąd ich szerokie zastosowanie w badaniach klinicznych. Wysoce pożądana byłaby w pełni automatyczna metoda segmentacji w celu dokładnej identyfikacji nerek, wątroby i cyst.

Oprócz ilościowego określenia objętości nerek, wątroby i torbieli, charakterystyka nietorbielowatej tkanki nerek może dostarczyć dodatkowych istotnych informacji na temat patofizjologii ADPKD. Kilka lat temu badanie CT ze wzmocnieniem kontrastowym ujawniło obecność okołocewkowego zwłóknienia śródmiąższowego w nietorbielowatej skladance nerek z ADPKD, co było związane z czynnością nerek i jej pogorszeniem w czasie, co zostało ostatnio potwierdzone w niezależnym badaniu dotyczącym dynamicznego T1 ze wzmocnionym kontrastem -ważony MRI. Zaawansowane techniki przetwarzania obrazu, takie jak radiomika, których celem jest wysokowydajne obliczanie informacji z obrazów radiologicznych w celu scharakteryzowania przestrzennej heterogeniczności tkanki, wykazują potencjał scharakteryzowania mikrostruktury tkanki. Wstępne próby u pacjentów z ADPKD przeprowadzono na skanach MRI ważonych T1 i T2. Poza tym radiomika może być pomocna w budowaniu wieloparametrycznych modeli stratyfikacji i przewidywania, w tym funkcji opartych na obrazach.