Techniki oparte na sztucznej inteligencji do charakteryzowania mikrostruktury nerek na obrazach histologicznych (AI-TIME)

Analiza histopatologiczna tkanki nerkowej oparta na morfologii odgrywa kluczową rolę w diagnostyce i podejmowaniu decyzji terapeutycznych w wielu chorobach nerek. Obecnie analizę histopatologiczną przeprowadza się głównie jakościowo, metodą oględzin, co wymaga wysoko wykwalifikowanych patologów.

Wyniki histopatologiczne są często oceniane przez patologów przy użyciu półilościowych diagnostycznych skal klasyfikacji, takich jak klasyfikacja oksfordzkia nefropatii IgA lub skale ciężkości choroby. Pomimo takich systemów punktacji analiza histopatologiczna pozostaje półilościowa, czasochłonna i w dużym stopniu zależna od operatora. Zaproponowano techniki ręczne umożliwiające ilościową ocenę mikrostruktury nerek na obrazach histologicznych, wykazujące potencjał monitorowania postępu choroby i odpowiedzi na leczenie przewlekłej choroby nerek (CKD). Na przykład objętość śródmiąższowa okołocewkowej, odpowiedzialna za kluczowe funkcje endokrynologiczne i podlegająca znacznemu, choć odwracalnemu zwiększeniu w przypadku PChN, została niedawno określona ilościowo na próbkach biopsyjnych nerek poprzez zliczanie punktów w każdej ramce. Pomimo umożliwienia dokładnego określenia ilościowego, te techniki ręczne są pracochłonne i zależne od operatora. Bardzo pożądana byłaby szybka i obiektywna ilościowa ocena mikrostruktury nerek.

Digitalizacja obrazów histologicznych, podobnie jak obrazów diagnostycznych, umożliwiła wykorzystanie zaawansowanych technik analizy obrazu, pozwalających na identyfikację i segmentację odpowiednich struktur histopatologicznych oraz ilościową ocenę mikrostruktury tkanek.

W ostatnich latach techniki sztucznej inteligencji (AI), a w szczególności techniki głębokiego uczenia się (DL), okazały się obiecujące w zakresie (pół)automatycznej segmentacji odpowiednich struktur morfologicznych na obrazach histologicznych, ograniczając potrzebę stosowania doświadczonych operatorów, zapewniając powtarzalność i znacznie redukując zapotrzebowanie czasu. Konwolucyjne sieci neuronowe (CNN) wykazały ostatnio wyjątkową wydajność w zadaniach segmentacji obrazu, także w medycynie. W szczególności tak zwane sieci U, składające się ze ścieżki zwężającej się i rozszerzającej, cieszą się coraz większą popularnością od czasu pierwszego użycia. Jak dotąd w niewielu badaniach wykorzystano CNN do zbadania mikrostruktury nerek na obrazach histologicznych. Hermsen i in. wykorzystali CNN do wieloklasowej segmentacji obrazów histologicznych z biopsji nerek [8]. Celem podobnego badania było opracowanie CNN do segmentacji struktur tkanki nerek myszy, takich jak kłębuszki, kanaliki, tętnice i żyły, w oparciu o gęsto opisane obrazy różnych chorób nerek i różnych gatunków zwierząt.

Pomimo tych obiecujących wstępnych wysiłków, wysoka niejednorodność wzorców morfologicznych stwarza wyzwania dla możliwości uogólnienia technik segmentacji. Wysoce pożądane byłyby zautomatyzowane metody oparte na DL, umożliwiające dokładną segmentację i ilościowe określenie odpowiednich struktur morfologicznych na histologicznych obrazach nerek od pacjentów z różnymi patologiami nerek i/lub różnymi stadiami choroby.