Développement et validation d'un modèle d'apprentissage en profondeur pour quantifier la glomérulosclérose dans les échantillons de biopsie rénale

Contact:joanna.jia@wecistanche.com/ Whatsapp : 008618081934791

IntroductionPlus de 100 000 patients attendent actuellement ungreffe du rein.1 Malgré le besoin croissant, entre 17 % et 20 % des reins récupérés pour une greffe sont jetés.2-4 Avec la pénurie d'organes et la demande croissante degreffes de rein, il est urgent de réduire les rejets d'organes inutiles.3

Le résultat de la biopsie est signalé comme le facteur le plus important dans la décision d'utiliser ou de jeter le rein d'un donneur.5 De ​​nombreuses recherches ont établi un lien entre les dommages chroniques chez le donneurspécimens de biopsie rénaleavec des résultats de greffe.6-12 Un niveau de 20 %glomérulosclérose globaleest fréquemment utilisé comme point de rupture dans la décision de greffer et est un facteur majeur expliquant pourquoi le résultat de la biopsie est la raison la plus courante pour laquelle un organe est rejeté pour une greffe aux États-Unis.4

Des études récentes indiquent que des reins acceptables sont rejetés en raison d'une interprétation variable et incohérente des échantillons de biopsie du donneur.3,13,14 Même une mesure apparemment simple comme le pourcentageglomérulosclérose globaleest sujet à d'importantes variations humaines.15-17 Le gel des artefacts, le manque d'expertise dans les sous-spécialités, l'échantillonnage inadéquat et la nature urgente de ces évaluations contribuent tous aux erreurs humaines.

Récemment, l'apprentissage en profondeur (DL) a montré le potentiel d'améliorer la reproductibilité et la précision de l'examen histopathologique.18-26 Des études antérieures d'autres laboratoires ont utilisé des approches DL pour la détection automatisée des glomérules non sclérosés et globalement sclérosés.27-31Toutefois , ces techniques reposent sur des colorations spéciales, telles que les colorations périodiques à l'acide-Schiff ou au trichrome de Masson, qui ne sont pas pratiques dans le cadre sensible au temps des coupes congelées. Les travaux antérieurs des membres de notre groupe décrivent les seuls résultats rapportés, à notre connaissance, montrant des performances élevées pour la quantification automatisée du pourcentageglomérulosclérose globaleen utilisant des images de diapositives entières (WSI) de coupes congelées colorées à l'hématoxyline-éosine.

cistanche bon musculation : pour renforcer les reins

Nous émettons l'hypothèse qu'une approche DL à l'examen du donneurspécimens de biopsie rénalesurpassera les pathologistes humains dans l'évaluation du pourcentageglomérulosclérose globaleet que d'autres améliorations seront possibles en examinant plusieurs niveaux de section. On suppose que cet échantillonnage accru de tissus diminue la probabilité de rejet inutile d'organes et répondra à la question de savoir si les techniques de DL sont associées à une augmentation substantielle du pool d'organes de donneurs disponibles.

Mots clés:Glomérulosclérose,un rein, Spécimens de biopsie rénale, greffe de rein, glomérulosclérose globale

MéthodesCette étude a suivi la ligne directrice de déclaration Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD) pour les études diagnostiques et pronostiques. Cette étude a été examinée et approuvée par le comité d'examen institutionnel de l'Université de Washington, qui a également renoncé à la nécessité d'obtenir le consentement éclairé du patient, car cette étude n'a utilisé que des échantillons biologiques non identifiables à partir d'un ensemble de données existant.

Collecte de donnéesLes WSI ont été acquis à partir d'échantillons de biopsie de donneurs décédés - 98 coupes congelées colorées à l'hématoxyline-éosine et 51 coupes permanentes - extraites d'un total de 83reinsen utilisant à la fois des échantillons de coins et d'aiguilles. Des échantillons de biopsie en coupe congelée et des échantillons de biopsie en coupe permanente ont été obtenus à partir de différents reins. Sur 83 spécimens, 62 avaient au moins 2 niveaux de section. Les images d'échantillons de biopsie de la base de données de l'Université de Washington proviennent de Gift of Life Michigan (récupérées entre août 2015 et novembre 2016 à l'aide d'un scanner Sakura ; grossissement, × 20) et de l'Université de Washington (récupérées entre juin 2015 et juin 2017 via Mid-America Transplant à l'aide d'un Scanner Aperio Scanscope CS ; grossissement ×20). Tout donneur d'organe décédé qui s'est présenté entre ces dates et a subi unebiopsie rénalepour examen anatomopathologique numérique peropératoire était éligible pour cette étude. Les caractéristiques démographiques et cliniques des donneurs étaient inconnues des investigateurs. Tous les scans ont été convertis du format SVS au format TIFF à pleine résolution (0.5 μm/pixel). Les tailles d'image variaient de 105 mégapixels à 1448 mégapixels.

Annotation des donnéesLes lames ont d'abord été annotées pour les glomérules non sclérotiques et sclérotiques par un expert certifié par le conseilun reinpathologiste (PW ou JPG), révisé par un deuxième pathologiste certifié par le conseil (TCL) ayant de l'expérience dans l'interprétation des donneursspécimens de biopsie rénale, et suivi d'une révision finale par un autre expert certifié par le conseilun reinpathologiste (PCW ou JPG). Les annotations révisées finales ont servi de vérité de terrain (c.-à-d. l'étalon-or) pour la formation et l'évaluation du modèle. La variabilité typique du nombre de glomérules à chaque révision est illustrée dans la figure 1 du supplément. Un plug-in interne écrit pour Fiji32 a été utilisé pour décrire et classer manuellement les glomérules sur chaque WSI afin de générer des masques d'étiquettes pixel par pixel des régions de glomérule à la même résolution que le WSI parent. Les glomérules ont été classés comme globalement sclérosés (définis comme une sclérose impliquant toute la touffe glomérulaire, y compris obsolescente, solidifiée et en voie de disparitionglomérulosclérose globale)ou sclérotique non globale. Toutes les autres zones ont été regroupées et étiquetées tubulointerstitium. Un total de 1544 glomérules globalement sclérosés et 6914 glomérules non globalement sclérosés ont été marqués dans 149 images distinctes. Les échantillons de biopsie présentaient une large gamme de pourcentageglomérulosclérose globale(0 pour cent -77 pour cent ). Le nombre moyen (ET) de glomérules par lame était de 57 (31).

Architecture du modèle DLLe modèle DL utilisé dans cette étude était un réseau neuronal entièrement convolutif basé sur l'architecture VGG1633 décrite dans des travaux antérieurs, qui comprenait un membre de notre groupe.34 le goulot d'étranglement (c'est-à-dire immédiatement avant les couches de classification densément connectées). Les couches de classification VGG16 densément connectées ont été remplacées par 5 couches entièrement convolutionnelles avec des poids entraînables. L'utilisation d'une architecture entièrement convolutive à travers l'ensemble du réseau a permis une transformation "image à image", plutôt qu'une transformation "image à étiquette", pour chaque patch d'image d'entrée, cette dernière étant une approche moins précise et beaucoup plus Le modèle entièrement convolutif a généré des cartes de pixels sous-échantillonnées enregistrées sur le patch d'image d'entrée, donnant la probabilité que chaque pixel de sortie soit un tubulointerstitium, un glomérule sclérosé non global ou un glomérule sclérosé globalement.

Paramètres d'entraînementLes images ont été découpées en 2048 × 2048-pixels (1024 × 1024 μm) se chevauchant partiellement sur des patchs d'image (foulée, 1664 pixels ou 838 μm) pour l'entraînement. Les patchs ont été sélectionnés pour la formation par échantillonnage aléatoire à partir de l'ensemble du pool de patchs d'image (environ 6500 patchs dans chaque ensemble de formation de validation croisée, la durée d'une seule époque). Les patchs d'entrée ont été inversés ou tournés de manière aléatoire (de 0 degré, 90 degré, 180 degré ou 270 degré), produisant une 8-multiplication des données d'entraînement pour un total d'environ 52 000 patchs d'entraînement possibles dans le bassin d'échantillonnage. L'entraînement a été effectué à l'aide de TensorFlow en minimisant la perte d'entropie croisée catégorielle, pondérée par classe à l'aide d'un rapport entre les catégories sclérosées, non sclérosées et tubulo-interstitielles de 10: 5: 1 pour compenser le déséquilibre de classe. L'optimisation de descente de gradient stochastique a été utilisée avec un taux d'apprentissage cyclique entre 1e−4 et 1e−2 et une taille de lot de 4 pour 15 époques.

Validation croiséeLe modèle a été formé et testé dans une validation croisée 10- fois, où 10 % des WSI ont été retenus de la formation dans chaque pli, et le modèle résultant (formé sur les 90 % de données restantes) a été utilisé pour générer des prédictions sur les WSI retenus. Images de différents niveaux de la mêmeun reinse sont toujours tenus ensemble. Aucune information provenant d'un ensemble de test d'un pli de validation croisée n'a été utilisée pour informer la formation du pli correspondant. Les prédictions pour les diapositives retenues ont été générées par patch selon le schéma de découpe d'image décrit ci-dessus (c'est-à-dire, des patchs de 2048 × 2048 pixels avec une foulée de 1664- pixels), et les résultats ont été réassemblés pour produire des cartes de probabilité de sortie pour des WSI entiers.

Post-traitementUn laplacien standard de l'algorithme de détection de gouttes gaussiennes, bien adapté pour identifier les régions circulaires de haute intensité d'image à plusieurs échelles, a été utilisé pour localiser les glomérules individuels à partir des cartes de probabilité. Pour centglomérulosclérose globalea été calculé par la formule 100 × S/N, où S est le nombre de glomérules globalement sclérosés et N est le nombre total de glomérules.

Analyses statistiquesL'accord pixel par pixel entre les cartes de probabilité d'annotation et de prédiction a été quantifié via le coefficient de Dice et l'intersection sur la métrique d'union, calculée de manière agrégée pour tous les pixels de chaque étiquette de sortie. Les comptages de glomérules ont été obtenus après le traitement de détection de tache sur les canaux de carte de probabilité sclérosés et non sclérosés. Pour centglomérulosclérose globalea été calculé à partir de ces comptages pour les images individuelles, et pour lesreins, en regroupant les décomptes pour tous les niveaux (généralement 2) associés à chaqueun rein.Le nombre de glomérules a été comparé à la vérité de terrain des annotations, la précision étant évaluée par le coefficient de corrélation de Pearson r et l'erreur quadratique moyenne (RMSE). Quantités correspondantes pour le pourcentageglomérulosclérose globaleont été calculées pour les estimations des pathologistes de garde, et ces valeurs ont été comparées aux performances du modèle.

Catégorisation dereinscomme « acceptable » pour la greffe ou « rejeté » a été déterminé à 20 %glomérulosclérose globale, un seuil couramment utilisé dans la pratique clinique actuelle sur la base de données historiques. Un score F1 a été calculé en fonction de la distinction correcte entre un échantillon supérieur ou inférieur au seuil de 20 % par rapport aux annotations de vérité terrain. Le coefficient Cohen κ (un indicateur d'accord entre les évaluateurs) a également été calculé pour la discrimination du modèle et des pathologistes de garde au seuil de 20 %, par rapport à l'annotation de la vérité au sol et entre eux.

Parce que la définition deglomérulosclérose globaleest naturellement exprimé comme la moyenne d'une distribution bêta donnée par les paramètres S (nombre de glomérules globalement sclérosés) et (N - S) (nombre de glomérules non globalement sclérosés), il a été utilisé pour calculer des intervalles de prédiction à 95 % qui servent d'indicateur de précision de sortie. Un 2-face P < .05="" a="" été="" considéré="" comme="" statistiquement="" significatif.="" toutes="" les="" analyses="" statistiques="" ont="" été="" menées="" de="" mars="" 2018="" à="" août="" 2020="" avec="" les="" packages="" python="" scikit-learn,="" version="" 0.22.1,="" et="" scipy.stats,="" version="">

Résultats

Visualisation des sortiesLes sorties d'images prévues pour les WSI à section gelée et à section permanente ont montré un accord qualitatif avec les cartes d'annotation cible (Figure 1). Les coefficients de dés agrégés étaient 0.784 pour les glomérules non globalement sclérosés et 0.600 pour les glomérules globalement sclérosés ; l'intersection agrégée sur les métriques d'union pour les mêmes groupes était de 0,645 pour les glomérules non sclérosés globalement et de 0,429 pour les glomérules sclérosés globalement. Notamment, même les sections gelées avec des artefacts substantiels ont montré un accord visuel qualitatif entre la vérité au sol d'annotation et les prédictions (exemple illustré à la figure 1A).

Évaluation du pourcentage de glomérulosclérose globale basée sur des lames individuellesValidation croiséegloméruloscléroseles prédictions sur les diapositives individuelles présentaient également une corrélation avec les annotations (r {{0}}.916 ; IC à 95 %, 0.886-0.939 ; et RMSE=5.631 ; IC à 95 %, 4.{{10}}.517 ; P <.001) (figure="" 2a).="" la="" séparation="" des="" résultats="" par="" la="" technique="" de="" préparation="" des="" diapositives="" a="" indiqué="" que="" les="" prédictions="" sur="" les="" sections="" congelées="" montraient="" une="" corrélation="" similaire="" avec="" la="" vérité="" terrain="" (r="0.918 ;" ic="" à="" 95 %,="" 0.879-0.944 ;="" rmse="" {{="" 20}}.20 ; p="">< .001) (efigure 3a="" dans="" le="" supplément),="" alors="" que="" le="" groupe="" permanent="" a="" montré="" des="" performances="" supérieures="" (r="0.940 ;" ic="" à="" 95 %,="" 0.896-0.965 ;="" rmse="4.32 ;" p="">< .001)="" (efigure="" 3d="" dans="" le="" supplément).="" le="" nombre="" total="" de="" glomérules="" détectés="" par="" le="" modèle="" est="" illustré="" aux="" figures="" 3a="" et="" b,="" illustrant="" les="" corrélations="" des="" glomérules="" non="" sclérosés="" globalement="" avec="" la="" vérité="" terrain="" (r="0.955 ;" ic="" à="" 95 %,="" 0.938-0.967="" ;="" rmse="8.383 ;" p="">< .001)="" et="" glomérules="" globalement="" sclérosés="" avec="" vérité="" terrain="" (r="0.934 ;" ic="" à="" 95 %,="" 0.909-0.952 ;="" rmse="" {{50="" }}.718 ;="" p="">< .001).="" les="" différences="" moyennes="" (et)="" du="" nombre="" de="" glomérules="" entre="" l'annotation="" et="" la="" prédiction="" étaient="" de="" 3,1="" (7,8)="" pour="" les="" glomérules="" non="" sclérosés="" globalement="" et="" de="" 0,2="" (4,7)="" pour="" les="" glomérules="" sclérosés="" globalement.="" des="" résultats="" positifs="" similaires="" pour="" le="" nombre="" de="" glomérules="" prédit="" ont="" été="" observés="" lors="" de="" la="" séparation="" des="" lames="" par="" traitement="" (efigure="" 2a,="" b,="" e="" et="" f="" dans="" le="">

Évaluation du pourcentage de glomérulosclérose globale basée sur des diapositives regroupées Les niveaux de mise en commun ont amélioré les performances de comptage des glomérules du modèle (Figure 3C et D ; eFigure 2C, D, G et H dans le supplément) ainsi que la corrélation de la glomérulosclérose avec les annotations, comme le montre la figure 2B ( r=0.933  ; IC à 95 %, 0.898-0.956 ; et RMSE=5.094 ; IC à 95 %, 3.{{ 13}}.301                                                                                                                                              0 }.923 ; et RMSE=6.523 ; IC à 95 %, 5.191-7.783 ; P < .001)="" (figure="" 2c).="" l'erreur="" globale="" de="" glomérulosclérose="" telle="" que="" mesurée="" par="" la="" rmse="" était="" de="" 22 %="" inférieure="" pour="" le="" modèle="" que="" pour="" les="" pathologistes="" de="" garde.="" la="" concordance="" entre="" les="" prédictions="" du="" modèle="" de="" la="" glomérulosclérose="" globale="" pour="" les="" niveaux="" individuels="" et="" regroupés="" est="" illustrée="" dans="" la="" figure="" 4="" du="" supplément="" en="" tant="" que="" résidu="" par="" rapport="" à="" la="" vérité="" de="" terrain="" des="">

traitement des troubles rénaux sexuels

Évaluation du risque de mauvaise caractérisation des reins Les résultats regroupés en pourcentage global de la glomérulosclérose pour les annotations, les prédictions du modèle et les pathologistes de garde ont été triés et tracés par ordre de pourcentage croissant de glomérulosclérose globale pour les 83 reins inclus dans l'étude, ainsi que les intervalles de prédiction correspondants à 95 % et le seuil de 20 % pour l'acceptation ou le rejet de la greffe d'organe du donneur (Figure 4B-F). Étant donné que tous les niveaux de la section sont évalués par les pathologistes de garde au moment de la biopsie, leurs résultats sont considérés comme des évaluations groupées. Les reins dont les intervalles de prédiction chevauchent la ligne de coupure de 20 % sont plus à risque d'acceptation ou de rejet erroné si le nombre de glomérules est mal estimé. Le risque de catégoriser à tort un rein avec plus de 20 % de glomérulosclérose globale est illustré à la figure 4A. En utilisant des diapositives individuelles, le taux d'erreur projeté du modèle DL était inférieur de 15 % à celui des pathologistes de garde et presque identique aux annotations de vérité au sol (c'est-à-dire le cas idéal). Avec des niveaux regroupés, le taux d'erreur projeté du modèle DL est tombé à 37 % inférieur à celui des pathologistes de garde. De même, le taux d'erreur projeté du modèle DL pour l'acceptation erronée d'organes en utilisant des niveaux individuels était de 21 % inférieur à celui des pathologistes de garde et de 34 % inférieur lors de l'utilisation de niveaux regroupés.

Le score F1 et Cohen κ ont montré des résultats similaires. Le score F1 du modèle DL pour les niveaux individuels ayantglomérulosclérose globaleen dessous de 20 % était 0.896, et 0.950 pour les niveaux individuels supérieurs à 20 % . Ces métriques se sont améliorées lors du regroupement des niveaux à 0,926 pour ceux en dessous de 2{{20}} % et à 0,964 pour ceux au-dessus de 20 %. Cela se comparait favorablement aux scores F1 des pathologistes de garde de 0,852 pour ceux en dessous de 20 % et de 0,929 pour ceux au-dessus de 20 %. Cohen κ pour les prédictions du modèle aux niveaux individuels par rapport à la vérité terrain était de 0,847, s'améliorant à 0,891 pour les niveaux regroupés. Cohen κ pour

pathologistes de garde en ce qui concerne les annotations regroupées était plus faible, à une valeur de 0.781, et était de 0.714 par rapport aux prédictions de niveau regroupé du modèle. La concordance entre les résultats du pathologiste et du modèle pour les résultats de niveau groupé est indiquée dans la figure 5 du supplément sous forme de résidu par rapport à la vérité de terrain, triée par vérité de terrainglomérulosclérose globalepourcentage et nombre total de glomérules. La valeur de l'examen à plusieurs niveaux est montrée en évaluant les intervalles de prédiction à partir de la distribution bêta. Une illustration de la distribution bêta pour un échantillon de biopsie hypothétique avec 15 pour centglomérulosclérose globaleest illustré à la figure 5A pour les piscines de 1, 2, 3 et 4 niveaux, en supposant que chaque niveau a 58 glomérules observés (le nombre moyen pour cette étude). La hauteur de chaque courbe à une valeur donnée sur l'axe horizontal peut être interprétée comme la probabilité relative d'estimer le pourcentageglomérulosclérose globaleêtre cette valeur, compte tenu de la distribution réelle des glomérules sclérosés et normaux. L'aire sous la courbe donne donc une estimation de la probabilité d'obtenirglomérulosclérose globaleestimations dans les limites de l'intégration. La distribution s'est rétrécie avec l'augmentation de la mise en commun. Plus important encore, la zone normalisée sous la courbe au-delà du seuil de rejet nominal de 20 % est passée de 14 % en utilisant un seul niveau à 2 % lors de la mise en commun de 4 niveaux (Figure 5B), une diminution de 7- fois du risque de surestimation incorrecteglomérulosclérose globaleet rejeter à tort ce qui devrait être un organe utilisable. Pour illustrer davantage les avantages de la mise en commun des niveaux, les glomérules comptent pour 1000 évaluations sélectionnées au hasard d'échantillons de biopsie de donneurs (à partir de la même base de données que les 83spécimens de biopsie rénaleutilisés dans cette étude) ont été utilisés pour simuler les effets de la mise en commun des niveaux pour une grande population. La

les estimations des pathologistes de garde ont été utilisées comme substituts pour les décomptes de glomérules de vérité au sol, et le regroupement des données a été simulé en multipliant les décomptes rapportés par niveau par le nombre de niveaux simulés dans le pool. En appliquant l'analyse décrite ci-dessus à ce scénario, le nombre de rejets d'organes erronés pour 1000reinswould decrease from 31 to 13 by increasing the number of levels evaluated from 1 to 4 (Figure 5C). As a demonstration of the potential clinical workflow with the incorporation of DL techniques, the DL model's predicted annotations for 25 cases from the study data set were randomly selected (5 each with 0%-5%, 6%-10%, 11%-15%, 16%-20%, and >20 % de glomérulosclérose globale) et ont été soumis à un pathologiste, qui a évalué les images histologiques avec des classifications de glomérules superposées générées par un modèle. Le pathologiste a ensuite corrigé tout glomérule manquant ou mal étiqueté d'une manière et dans un délai conformes à la pratique clinique actuelle. L'évaluation modifiée par le pathologiste était mieux corrélée avec la vérité terrain (r=0.958) et avait une erreur plus faible (RMSE=4.352) que le pathologiste de garde (r=0. 613 ; RMSE=0.898) ou le modèle DL seul (r=0.847 ; RMSE=7.535) (eFigure 7 dans le Supplément).

Discussion

Le modèle DL a produit des résultats encourageants, à la fois qualitatifs (visuels) et quantitatifs, et a récapitulé les résultats décrits dans des travaux antérieurs par des membres de notre groupe sur un ensemble de formation plus petit.34 Le modèle a bien fonctionné en utilisant des sections figées ou des sections permanentes, améliorant sur -appelez la performance des pathologistes. Le temps nécessaire au modèle pour traiter un WSI individuel était d'environ 5 minutes, bien dans les contraintes typiques d'une consultation peropératoire de pathologie.

L'amplification des erreurs de comptage lors de l'utilisation d'un petit échantillon met en évidence la valeur obtenue en regroupant les résultats de plusieurs niveaux obtenus à partir d'un seulbiopsie rénale.L'épaisseur typique d'un donneurbiopsie rénalespécimen est de 1 mm. Le pathologiste n'examine qu'une section représentative de 5- μm d'épaisseur de ce tissu, laissant une partie substantielle deun reinnon examiné. Bien que les glomérules échantillonnés dans les sections suivantes puissent ne pas être indépendants, le processus de préparation de la lame peut entraîner une variabilité substantielle d'une section à l'autre de la glomérulosclérose globale, quelle que soit la variabilité de l'observateur (eFigure 6 dans le supplément). En évaluant plus de coupes de tissus, l'effet de cette variabilité peut être minimisé et la fiabilité de l'évaluation des échantillons de biopsie améliorée. Cet avantage est clairement observé dans la présente étude pour chaque métrique (figures 2-4), qui ont toutes montré une amélioration avec l'examen de tissus supplémentaires.

La norme de soins actuelle nécessite l'évaluation de seulement 25 glomérules et 1 à 2 niveaux de section, car davantage d'évaluations ne sont pratiquement pas réalisables par les pathologistes humains dans le contexte sensible au facteur temps de la transplantation d'organes. L'utilisation de techniques DL pour augmenter les capacités humaines dans ce contexte pourrait ajouter des organes vitaux au pool de donneurs. Un flux de travail clinique potentiel avec l'incorporation de techniques DL pourrait être le suivant : un échantillon arrive dans le laboratoire de coupe congelée, où une lame de coupe congelée est préparée et scannée. Le WSI est ensuite téléchargé vers un emplacement sécurisé pour analyse à l'aide du modèle DL. Pendant que le modèle DL analyse, le pathologiste peut se connecter et examiner l'échantillon pour d'autres résultats pertinents. Le résultat du modèle DL serait disponible dans les 5 à 10 minutes, présenté au pathologiste sous forme de superposition graphique des classifications des glomérules sur l'image histologique, puis vérifié (et modifié si nécessaire) par le pathologiste et intégré au rapport. Le rapport proprement dit s'interfacerait directement avec le dossier de santé électronique clinique.

LimitesIl y a certaines limites à cette étude. Il s'agissait d'une étude monocentrique. Bien que les WSI aient été générés à l'aide de 2 scanners dans 2 établissements, l'ensemble de données de la section congelée a été entièrement généré dans 1 établissement, tandis que l'ensemble de données de la section permanente a été généré à partir d'un autre. Bien qu'un petit ensemble de données préliminaires (n=17) ait suggéré que les prédictions du modèle sur les sections congelées présentaient une correspondance raisonnable avec les sections permanentes associées et que le modèle surpassait les pathologistes de garde sur ces sections congelées (eFigure 8 dans le Supplément), cela L'étude n'abordait pas directement la question distincte de savoir dans quelle mesure les coupes congelées (ainsi que les évaluations des pathologistes) correspondaient aux coupes permanentes acquises et traitées par la suite à partir du même échantillon de biopsie.

L'ensemble de données était petit par rapport à d'autres études DL. Cependant, près de 8500 glomérules ont été examinés au total, un nombre relativement élevé. La limitation de l'évaluation d'un plus grand nombre de cas réside dans le processus fastidieux d'annotation en série des WSI. Pour évaluer davantage la robustesse de ce modèle, des études supplémentaires seront nécessaires dans lesquelles le modèle est testé à l'aide de WSI générés par des laboratoires et des scanners supplémentaires.

conclusionCette étude pronostique a révélé de meilleures performances pour quantifier le pourcentageglomérulosclérose globaleà partir de WSI de greffe de donneur congelée et permanente colorée à l'hématoxyline-éosinespécimens de biopsie rénalepar un modèle DL que par des pathologistes certifiés sur appel. Les performances ont été encore améliorées en examinant des coupes de tissus supplémentaires, un processus qui dépasse la capacité des pathologistes dans la nature sensible au temps de l'évaluation des échantillons de biopsie de donneurs. Les résultats ont indiqué une probabilité réduite de mal caractériser le pourcentageglomérulosclérose globalelors de l'utilisation du modèle DL, diminuant ainsi la probabilité de rejet d'organe de donneur inapproprié ou d'utilisation d'un organe sous-optimal. Les résultats illustrent les gains substantiels qui pourraient être réalisés en utilisant les méthodes DL dans la pratique clinique de la pathologie chirurgicale.