Artificiell intelligens-baserade tekniker för att karakterisera njurens mikrostruktur på histologiska bilder (AI-TIME)

Morfologibaserad histopatologisk analys av njurvävnad spelar en nyckelroll vid diagnos och terapeutiska beslut av många njursjukdomar. Hittills utförs histopatologisk analys huvudsakligen kvalitativt, genom visuell inspektion, vilket kräver högutbildade expertpatologer.

Histopatologiska fynd bedöms ofta av patologer som använder semikvantitativa diagnostiska klassificeringsskalor, såsom Oxford-klassificeringen av IgA-nefropati, eller skalor för sjukdomens svårighetsgrad. Trots sådana poängsystem förblir histopatologisk analys semikvantitativ, tidskrävande och mycket operatörsberoende. Manuella tekniker har föreslagits för att kvantitativt bedöma njurens mikrostruktur på histologiska bilder, vilket visar potential att övervaka sjukdomsprogression och svar på terapi vid kronisk njursjukdom (CKD). Som ett exempel, peritubulär interstitiell volym, ansvarig för avgörande endokrina funktioner och som genomgår betydande, om än reversibel, expansion i CKD, har nyligen kvantifierats på njurbiopsiprover genom punkträkning på varje ram. Trots att de tillåter noggrann kvantifiering är dessa manuella tekniker arbetsintensiva och operatörsberoende. Snabb och objektiv kvantitativ bedömning av njurens mikrostruktur skulle vara mycket önskvärt.

Digitaliseringen av histologiska bilder, samma som för diagnostiska bilder, har gjort det möjligt att dra nytta av avancerad bildanalysteknik som möjliggör identifiering och segmentering av relevanta histopatologiska strukturer och kvantitativ bedömning av vävnadsmikrostruktur.

Under de senaste åren har artificiell intelligens (AI) och i synnerhet Deep Learning (DL)-tekniker visat lovande för (halv)automatiserad segmentering av relevanta morfologiska strukturer på histologiska bilder, vilket begränsar behovet av expertoperatörer, säkerställer reproducerbarhet och kraftigt reducerad tidsbehovet. Konvolutionella neurala nätverk (CNN) har nyligen visat enastående prestanda i bildsegmenteringsuppgifter, även inom det medicinska området. Särskilt de så kallade U-näten, som består av en kontrakterande och en expanderande väg, har blivit allt mer populära sedan de först användes. Få studier har hittills använt CNN för att undersöka njurens mikrostruktur på histologiska bilder. Hermsen et al. använde CNN för multiklasssegmentering av histologiska bilder från njurbiopsier [8]. En liknande studie syftade till att utveckla ett CNN för segmentering av musnjurvävnadsstrukturer, såsom glomeruli, tubuli, artärer och vener, baserat på tätt kommenterade bilder från olika njursjukdomar och olika djurarter.

Trots dessa lovande preliminära ansträngningar utgör den höga heterogeniteten hos morfologiska mönster utmaningar för segmenteringsteknikernas generaliserbarhet. Automatiserade DL-baserade metoder som kan exakt segmentera och kvantifiera relevanta morfologiska strukturer på histologiska njurbilder från patienter med olika njurpatologier och/eller olika sjukdomsstadier skulle vara mycket önskvärt.