AbstraitContexte L'objectif de l'intelligence artificielle dansCicatrices rénales(AIRS) vise à développer des outils d’apprentissage automatique pour la quantification non invasive desfibrose rénaleà partir d’analyses d’imagerie. Méthodes Nous avons mené une analyse rétrospective de patients ayant subi une ou plusieurs tomodensitométries abdominales (TDM) dans les 6 mois suivant unbiopsie rénale. La cohorte finale comprenait 152 tomodensitogrammes de 92 patients, dont des images de 300 reins natifs et 76transplantation rénale. Deux convolutions différentesles réseaux de neurones(classificateurs au niveau tranche et au niveau voxel) ont été testés pour différencier les cas graves des cas légers/modérés.fibrose rénale(50 % contre 50 %).Fibrose interstitielleet les scores d'atrophie tubulaire debiopsie rénaleles rapports ont été utilisés comme vérité terrain. Résultats Les deux modèles d'apprentissage automatique ont démontré une valeur prédictive positive ({{0}},886 contre 0,935) et une précision similaires (0,831 contre 0,879). Conclusions En résumé, les algorithmes d'apprentissage automatique constituent un outil de diagnostic non invasif prometteur pourquantifier la fibrose rénaleà partir des tomodensitogrammes. L'utilité clinique de ces outils de prédiction, en termes d'évitement de la biopsie rénale et des risques hémorragiques associés chez les patients atteints de fibrose sévère, reste à valider dans des essais cliniques prospectifs.
COMBIEN DE TEMPS FAUT-IL POUR QUE CISTANCHE FONCTIONNE CHEZ LES PATIENTS RÉNAUX ?
Introduction
La biopsie rénale percutanée guidée par échographie reste la norme de soins lorsque le diagnostic histologique est nécessaire pour guider la prise en charge de la protéinurie, de l'hématurie microscopique, du rejet de greffe ou d'un dysfonctionnement rénal inexpliqué (1,2). Le degré de fibrose rénale ou la gravité de l'IRC est souvent inconnu au moment de la biopsie rénale (3). Une biopsie rénale révélant une fibrose sévère (0,5 0 %) peut clarifier le diagnostic de la maladie, mais il est peu probable qu'elle modifie la prise en charge clinique et expose les patients à un risque de saignement lié à l'intervention (4). Les complications post-biopsie vont de l'hématurie transitoire à l'hémorragie potentiellement mortelle et sont en corrélation avec des facteurs de risque tels qu'une pression artérielle élevée, un âge avancé, une anémie, une faible numération plaquettaire, une fonction rénale réduite et des anomalies de l'hémostase (5). Une méta-analyse récente de 118 064 biopsies rénales guidées par échographie a rapporté des taux d'incidents de transfusion sanguine, d'intervention angiographique et de décès de 2 %, 0,3 % et 0,06 %, respectivement (6).
L'évaluation de la gravité de l'IRC est essentielle lorsque l'on considère les risques et les avantages d'une biopsie rénale, mais les outils non invasifs permettant d'évaluer le degré de fibrose sont sous-développés (7). Les études qui ont exploré les techniques échographiques (y compris l'imagerie de la vitesse des ondes de cisaillement, l'élastographie transitoire, l'élastographie en temps réel, l'échographie Doppler et la contrainte corticomédullaire par ultrasons) ont noté une corrélation incohérente avec le degré de fibrose sur l'histologie rénale (3,8,9). De plus, ces méthodes dépendent fortement de facteurs externes, tels que la pression artérielle, le poids des reins, le poids corporel et la force appliquée du transducteur, sans parler de la forte variabilité intra- et inter-observateur (3). Un rapport récent a révélé une étroite corrélation entretaille des reins déterminée par échographie avec fonction rénale estimée (DFGe), mais n'a pas été évaluéereinfibrose(dix). Kirpalani et coll. ont rapporté que l'élastographie par imagerie par résonance magnétique était prometteuse en termes de corrélation des scores de rigidité avec la fibrose rénale (11), mais n'a pas exploré les outils d'apprentissage automatique comme moyen d'optimiser la précision prédictive.
La tomodensitométrie (TDM) permet une imagerie haute résolution du tissu rénal avec une exposition minimale aux rayonnements du patient (7). Technologie d'apprentissage automatique en combinaisonl’imagerie CT est une voie prometteuse pour les nonévaluation invasive du reinFibrosis, au lieu de l'actuelnorme de soins histologiques. Apprentissage profond convolutifles réseaux de neurones (CNN) sont une nouvelle forme d'apprentissage automatiqueing, qui peut isoler les modèles pertinents de sontologie, imagerie ou autres données cliniques utiles pour la maladie
caractérisation (12,13). La technologie CNN pour le diagnostic a été explorée dans divers contextes, allant de l'hémorragie intracrânienne et du cancer à la pneumonie etappendicite (14-17).
L’objectif de l’étude AIRS (Artificial Intelligence in Renal Scarring) est de développer des outils CNN pour quantifier la fibrose rénale en tant qu’alternative diagnostique assistée par ordinateur à la biopsie rénale. Deux algorithmes CNN (classificateurs au niveau tranche et au niveau voxel) ont été formés pour analyser l’imagerie CT des reins natifs et transplantés afin de classer le degré de fibrose, sur la base des scores de fibrose de vérité terrain issus de biopsies rénales chez les mêmes patients. Dans cette analyse pilote, nous nous sommes concentrés sur la délimitation de la fibrose légère/modérée par rapport à la fibrose sévère (50 % contre 50 $ %) en tant que dichotomie cliniquement pertinente qui peut être utile pour un néphrologue envisageant une biopsie rénale pour son patient. Nous démontrons que les algorithmes de CNN peuvent différencier la fibrose rénale sévère de la fibrose rénale légère/modérée avec un haut degré de précision.
Matériels et méthodes
Base de données des patients Il s'agissait d'une analyse rétrospective des biopsies rénales réalisées au centre médical Irvine de l'Université de Californie entre 2014 et 2019. Nous avons identifié des patients ayant subi une tomodensitométrie abdominale à 1 $ réalisée dans les 6 mois suivant la biopsie rénale. Après l'examen initial du système de dossiers médicaux, 42 patients ayant subi une imagerie ont été exclus pour les raisons suivantes : tomodensitométrie réalisée en dehors de la période d'inclusion (0,6 mois à compter de la date de la biopsie, n53) ; imagerie par résonance magnétique abdominale mais aucun scanner trouvé dans le système (n56) ; les patients ont été ignorés par inadvertance dans le processus d'annotation (n52) ; reins natifs non segmentés chez un patient ayant subi une greffe (n51) ; analyse de mauvaise qualité avec artefact matériel (n51) ; et des études d'imagerie externes qui n'étaient pas stockées dans les archives d'imagerie à long terme (n529). Les 152 tomodensitogrammes restants de 92 patients ont été téléchargés et le volume reconstruit des tissus mous axiaux a été extrait pour une analyse plus approfondie. La majorité des tomodensitogrammes (79 %) ont été réalisés sans produit de contraste intraveineux ; 129 analyses ont été effectuées sur un scanner Philips, 22 sur un scanner Siemens et une sur un scanner GE Medical Systems.
Un pathologiste (JEZ) a examiné une sélection aléatoire de patients pour confirmer que le degré de fibrose était correctement documenté dans les rapports de biopsie rénale. Chez les patients discordants, un deuxième pathologiste a examiné les diapositives pour déterminer la vérité terrain (voir Remerciements). Le degré de fibrose rénale établi à partir des rapports de biopsie a été traité comme un résultat binaire : léger/modéré versus sévère (fibrose interstitielle et atrophie tubulaire, 50 % contre 50 $). Les reins natifs des tomodensitogrammes des patients transplantés ont été automatiquement classés comme fibroses sévères. Les données démographiques et les comorbidités ont été compilées dans une base de données REDCap et les images CT ont été consultées comme décrit ci-dessous. Toutes les procédures de recherche ont été approuvées par le comité d'examen institutionnel d'Irvine de l'Université de Californie.
Annotation
Les tomodensitogrammes ont été transférés du système d'archivage et de communication d'images de notre hôpital vers une base de données interne sécurisée. Un outil d'annotation Web exclusif et personnalisé a été utilisé pour créer des masques binaires tridimensionnels de vérité terrain correspondant aux reins natifs droit et gauche, ainsi qu'à toute transplantation rénale, le cas échéant. L'outil d'annotation a été implémenté comme un simple utilitaire de pinceau sans aucune fonctionnalité de seuil ou de contour avancé. Deux étudiants chercheurs (HRT, KAPR) ont servi d'annotateurs principaux, et un radiologue senior (PDC) a ensuite examiné chaque patient et affiné les annotations des régions d'intérêt si nécessaire.
Prétraitement des images
En utilisant les masques de volume rénal annotés comme modèle, chaque rein a été recadré et rééchantillonné selon un volume de voxel isotrope 96 3 96396. Cet opéra de rééchantillonnageIl était nécessaire de garantir que toutes les entrées du modèle avaient la même taille de matrice et de tenir compte des limitations de la mémoire de l'unité de traitement graphique. Étant donné que les volumes étaientd'abord recadrés sur les reins droit et gauche, et que les reins ne constituent qu'une petite partie du volume CT d'origine, les tailles de voxels rééchantillonnées finales étaient similaires en résolutionsolution aux données originales. Chaque volume recadré a ensuite été normalisé en découpant toutes les valeurs de voxel dans une plage de 2 150 à 250 unités Hounsfield et mis à l'échelle par un facteur de 1:50. N'importe lequelun seul examen de cet ensemble de données peut contenir jusqu'à trois reins individuels coupés utilisés pour l'entraînement des algorithmes : (natif) gauche, (natif) droit et transplantation. Pour chaque enfantCependant, un total de 96 images bidimensionnelles (2D) (de taille 96 396) ont été utilisées pour la formation.
Approche CNN
Deux réseaux CNN 2D personnalisés différents ont été testés et comparés afin de différencier la fibrose rénale sévère de la fibrose rénale légère/modérée. Le premier algorithme est un algorithme global standardclassificateur CNN tranche par tranche, conçu pour prédire l'une des trois catégories mutuellement exclusives pour chaque image 2D : sans rein, fibrose légère/modérée et fibrose sévère. Lele deuxième algorithme est un classificateur CNN au niveau des pixels implémenté via une architecture U-Net entièrement convolutive pour effectuer une segmentation et une classification simultanées. Dans
Dans les deux modèles, la classification finale ignore les tranches ou voxels sans reins, et une règle majoritaire est agrégée sur les prédictions restantes. Les deux algorithmes sont implémentésen utilisant l’architecture de réseau de compression et d’excitation de pointe, le modèle le plus performant du ImageNet Large Scale Visual Recognition Challenge en 2017 (18).L'approche réseau de compression et d'excitation permet aux réseaux de recalibrer de manière adaptative les réponses des fonctionnalités par canal en fonction de différentes entrées du modèle en apprenant
interdépendances entre les canaux (Figure 1).
Graphique 1.|Cartes thermiques de prédiction générées par l'algorithme d'apprentissage profond identifiant les zones de fibrose « sévère » suspectée dans le rein. De gauche à droite, les reins allant de la fibrose normale à sévère sont représentés avec des degrés progressifs de parenchyme fibrotique estimé. Les prédictions normalisées moyennes finales du softmax pour l'ensemble du rein sont affichées dans la rangée du bas, allant de 0.0 à 0.2 ; 0.2–0.4 ;{{0}}.4–0.6 ; 0.6–0.8 ; et 0.8–1.0.
Classificateur global tranche par tranche
Le classificateur CNN global est une architecture personnalisée dérivée de VGG implémentée avec des modules d'excitation par compression à chaque couche. L'entrée du modèle est une seule tranche 2D (96396)et la sortie du modèle est un vecteur logit à trois éléments représentant une prédiction à trois classes. Le CNN se compose de quatre blocs convolutifs, où chaque bloc est défini comme un 333convolution, normalisation par lots et ReLU répétés trois fois au total. Le sous-échantillonnage est effectué à la fin de chaque bloc par une convolution avec une foulée de deux. Après
quatre blocs convolutifs (12 couches), la carte de caractéristiques finale est aplatie et utilisée comme entrée dans une seule couche entièrement connectée.
Classificateur au niveau voxel
Le classificateur CNN au niveau voxel est une architecture personnalisée dérivée d'U-Net mise en œuvre avec des modules d'excitation par compression au niveau de chaque couche (19). L'entrée du modèle est une seule tranche 2D (96396) et la sortie du modèle est un seul masque de segmentation 2D (96396) avec une prédiction à trois classes à chaque emplacement de voxel. Le CNN se compose de quatre blocs convolutionnels contractuels, où chaque bloc est défini comme une convolution 333, une normalisation par lots et un Leaky ReLU répété trois fois au total. Le sous-échantillonnage est effectué à la fin de chaque bloc par une convolution avec une foulée de deux. Après quatre blocs convolutifs (12 couches), les opérations sont inversées à travers une architecture réseau identique, avec le remplacement des convolutions stridentes (sous-échantillonnage) avec transpositions convolutives (suréchantillonnage).
Implémentation du réseau neuronal
Une fonction de perte d'entropie croisée softmax est utilisée pour optimiser les deux modèles. L'optimisation a été réalisée à l'aide de la technique d'Adam (20) avec des taux de décroissance exponentielle, b1 et b2, définisà {{0}},9 et 0,999, respectivement. Le taux d'apprentissage est défini sur 131 023. La taille du lot est définie sur huit, avec un total de 25 000 itérations d'entraînement. La normalisation Xavier est utilisée pour initialiserles poids avant l'entraînement (21). Le code de l'algorithme a été écrit dans la bibliothèque Python 3.6, TensorFlow 2.1.0 et Keras 1.0.8. Le réseau est formé sur notre cluster d'unités de traitement graphique interne, qui contient 48 Nvidia GeForce RTX 2080 Ti et 12 GeForce RTX Titans. En moyenne, le classificateur global s'est entraîné pendant 30 minutes par expérience, tandis que le classificateur basé sur les voxels s'est entraîné pendant 2 à 4 heures par expérience.
Évaluation
Une stratégie de validation croisée en cinq volets a été utilisée pour évaluer le processus de formation. Bien que jusqu'à trois reins différents de chaque patient aient été traités individuellement au cours de l'étude,Dans le processus de formation, tous les volumes d'un seul patient sont stratifiés dans le même groupe de validation croisée pour éviter les fuites de données. L'ensemble de données a été divisé 80:20, puis formé sur le80%, tandis que les 20% restants ont été utilisés pour la validation. La formation a été répétée cinq fois au total avec différentes répartitions 80:20 jusqu'à ce que l'ensemble des données soit entièrement validé.
En plus des expériences sur l'ensemble de la cohorte de données, des analyses de sous-cohortes supplémentaires ont été effectuées pour évaluer les variables confusionnelles potentielles. La stratification a été appliquéebasé sur le statut de contraste intraveineux et l'exclusion des reins natifs atrophiques chez les patients ayant reçu une greffe. De plus, pour évaluer la généralisabilité du modèle, modLes élèves formés exclusivement à partir des scanners Philips et GE ont été validés exclusivement avec les données des scanners Siemens.
Statistiques
Notre objectif d’étude était de distinguer la fibrose légère/modérée de la fibrose sévère sur l’imagerie CT rénale. La règle de la majorité a été utilisée dans les deux approches (analyse globale tranche par tranche)et basé sur le voxel) pour déterminer la gravité deFibrosis.Pour évaluer les performances entre les deux approches,précision, sensibilité, spécificitéFiville, valeur prédictive positive(VPP) et la valeur prédictive négative (VPN) ont été calculéescomparés. La zone sous le récepteur fonctionnantLa courbe (AUC) a également été calculée en faisant varier le softmaxseuil de score pour leFiBrosis ClassiFication et le résultatcourbe de comparaison tracée pour les deux approches. Descriptionles statistiques tives sont rapportées sous forme de moyenne6DAKOTA DU SUD.
