Методы искусственного интеллекта для характеристики микроструктуры почек на гистологических изображениях (AI-TIME)

Морфологический гистопатологический анализ ткани почек играет ключевую роль в диагностике и принятии решений о лечении многих заболеваний почек. На сегодняшний день гистопатологический анализ в основном проводится качественно, путем визуального осмотра, что требует высококвалифицированных патологоанатомов.

Гистопатологические результаты часто оцениваются патологами, используя полуколичественные диагностические классификационные шкалы, такие как Оксфордская классификация IgA-нефропатии, или шкалы тяжести заболевания. Несмотря на такие системы оценки, гистопатологический анализ остается полуколичественным, трудоемким и сильно зависит от оператора. Были предложены ручные методы количественной оценки микроструктуры почек на гистологических изображениях, показывающие потенциал для мониторинга прогрессирования заболевания и ответа на терапию при хронической болезни почек (ХБП). Например, перитубулярный интерстициальный объем, ответственный за важнейшие эндокринные функции и претерпевающий значительное, хотя и обратимое, увеличение при ХБП, недавно был количественно определен в образцах биопсии почки путем подсчета точек на каждом кадре. Несмотря на то, что эти ручные методы позволяют провести точную количественную оценку, они трудоемки и зависят от оператора. Крайне желательна быстрая и объективная количественная оценка микроструктуры почек.

Оцифровка гистологических изображений, как и диагностических изображений, позволила воспользоваться передовыми методами анализа изображений, позволяющими идентифицировать и сегментировать соответствующие гистопатологические структуры, а также количественную оценку микроструктуры тканей.

В последние годы методы искусственного интеллекта (ИИ) и, в частности, методы глубокого обучения (DL) показали многообещающую возможность (полу)автоматической сегментации соответствующих морфологических структур на гистологических изображениях, ограничивая потребность в опытных операторах, обеспечивая воспроизводимость и значительно сокращая требование времени. Сверточные нейронные сети (CNN) недавно продемонстрировали выдающуюся производительность в задачах сегментации изображений, в том числе в медицинской сфере. В частности, с момента первого использования все большую популярность приобретают так называемые U-сети, состоящие из сужающегося и расширяющегося путей. До сих пор мало исследований использовали CNN для изучения микроструктуры почек на гистологических изображениях. Хермсен и др. использовали CNN для многоклассовой сегментации гистологических изображений биопсии почек [8]. Аналогичное исследование было направлено на разработку CNN для сегментации структур почечной ткани мышей, таких как клубочки, канальцы, артерии и вены, на основе плотно аннотированных изображений различных заболеваний почек и различных видов животных.

Несмотря на эти многообещающие предварительные усилия, высокая гетерогенность морфологических паттернов создает проблемы для обобщения методов сегментации. Было бы весьма желательно использовать автоматизированные методы на основе DL, способные точно сегментировать и количественно определять соответствующие морфологические структуры на гистологических изображениях почек пациентов с различными патологиями почек и/или разными стадиями заболевания.