慢性腎臓病（CKD）：シングルおよびデュアル腎臓移植に適していますか？

詳細情報：ali.ma@wecistanche.com

パートⅠ：腎生検の組織学的画像に基づく糸球体分類のためのニューラルネットワーク

Giacomo Donato Cascaranol、Francesco Saverio Debitontol＆etal。

バックグラウンド

慢性腎臓病（CKD）は、機能的変性を特徴とする病的状態です。肝臓。 CKD（慢性腎臓病）は12番目の死因であり、世界中で最大110万人が死亡しています。 CKDに関連する死亡率の増加 (慢性腎臓病)過去数年間で、糖尿病や認知症と並んで、最も急速に増加している死因の1つとなっています[1、2]。肝臓移植は、長期的な死亡リスクの点で透析治療よりも効果的であることが明らかにされているように、最良の腎代替療法であり、同時に、公衆衛生システムへの影響が少ない[3、4]。

慢性腎臓病については、CistancheNZをクリックしてください

Liyanageetal。 2010年には世界中で490万人の患者に直面して260万人が腎代替療法を受けたと推定されており、適切な治療法を利用できなかったために少なくとも230万人が早期に死亡した可能性があります[5]。

の必要性が高まっているため肝臓移植[6]、さまざまな研究が受け入れるための基準を広げようとしました腎臓移植されるため、これは一般的にドナーの年齢および品質と寸法の両方に関連する他の特性に基づいて除外されます腎臓[7,8].

ムーアら。 デュアル間の比較を実行しました肝臓移植拡張基準ドナー（ECD）および単一から肝臓移植コンカーレントECDおよび標準基準ドナーから。 著者らは、デュアルの使用を評価しました腎臓移植限界ドナーからの提供は実行可能な選択肢であり、両方の条件を満たせば、腎機能を達成することができます。腎臓単一のレシピエントに移植されます[9]。

Remuzzietal。 評価するための技術を提案した肝臓調子組織学的生検を評価することによって[10]。 Karpinskiスコアとして知られる評価基準は、糸球体硬化症、尿細管萎縮症、間質性線維症、および動脈硬化症の4つの主要な機能領域の病的状態の進展（パーセンテージ）を考慮します。 このスコアの範囲は0から12で、数値が大きいほど、より悪い結果になります。腎臓の状態 [10-12]. 腎臓Karpinskiスコアが0から3および4から6の場合、シングルおよびデュアル移植、 それぞれ。

腎臓病の治療：ホンオニクと腎臓移植

Karpinskiスコアを評価するために、病理医は組織病理学的全スライド画像（WSI）の視覚的評価を実行します。 このプロセスは通常、時間がかかり、エラーが発生しやすく、主観的でもあります。

これらの欠点を克服するために、スコアの計算をサポートするための組織病理学的組織画像分析に基づくコンピュータ支援診断（CAD）システムの開発は貴重な前進です。

最近の文献作品は、分析のための画像処理と機械学習技術の応用を示しています肝臓組織病理学的糸球体の検出と分類のためのWSI。 画像処理アプローチは、形状やテクスチャの分析に基づくものなど、意味のある特徴を抽出することを目的としています。 次に、浅いまたは深い人工ニューラルネットワーク（ANN）などの機械学習アルゴリズムが、抽出された特徴に基づいて決定を下します。

Simon et al, for example, proposed texture-based features set as a simple but effective automatic method for glomeruli localization [13]. The authors applied the algorithm on renal tissue sections and biopsies of large histopathological WSIs. The features extracted from an adaptation of the Local Binary Pattern (LBP) algorithm were used to train a Support Vector Machine(SVM)model. The authors reported high precision(>90%) and reasonable recall (>結果として70パーセント）。

全体の画像から糸球体を包括的に検出する肝臓セクション、加藤ら。 Segmental HOG（Histogram of Oriented Gradients）[14]と呼ばれる新しい記述子を提案しました。 著者は、ソリューションの堅牢性と高品質のセグメンテーション出力を主張しました。 さらに、著者はセグメントHOGと長方形HOGを比較し、最初のアプローチで検出パフォーマンスが大幅に向上したことを示しました。

代わりに、何人かの著者は糸球体の形と色の分析に焦点を合わせました。 Kotykらは、腎小体の糸球体の形状とサイズに関して、強度のばらつきが大きく、一貫性がないことに直面するための新しい解決策を提案しました。 粒子アナライザー技術に基づく提案されたアプローチは、腎小体の検出と、それに続く糸球体の直径およびボーマンの空間幅の測定を可能にした。 著者らは、このアプローチは糸球体肥大があっても糸球体の変形に対してロバストであると評価しています[15]。 スライド画像全体に対する色と組織形状の有意な多様性の影響の分析は、Zhaoらによって実行されました。 [16]。 著者らは、腎組織全体の顕微鏡写真から自動糸球体抽出フレームワークを設計するために、ボーマン嚢幅の抽出に焦点を合わせました。 このシステムは、ヘマトキシリンおよびエオシン（HE）染色を用いて非ヒト霊長類の腎臓組織でテストされました。

Bukowyetal。 別の分析ワークフローを提案しました。 [17]で、著者らは、トリクロームで染色された腎臓切片の糸球体を検出するための畳み込みニューラルネットワークを開発しました。 手順はラットでテストされました腎臓報告された結果は、健康な糸球体と損傷した糸球体の分類に関して、それぞれ96.94パーセントと96.79パーセントの平均適合率と再現率を示しています。

Bevilacqua et alによる以前の研究では、血管と生検からの血管と尿細管のセグメンテーションと識別のためのCADシステムが肝臓組織は設計され、テストされています[18]。 過ヨウ素酸シッフ（PAS）染色による組織像は、関心領域（ROI）をセグメント化し、ハラリックの特徴を抽出するために使用されており、ANNに基づくアルゴリズムを使用した後続の分類手順を可能にします。 テスト結果は、監視されたANNアプローチが一貫しており、良好な分類パフォーマンスを得ることができることを決定しました。

この作品はの自動評価に焦点を当てています肝臓Karpinskiスコアによって考慮される特定の病的状態を扱う生検：糸球体硬化症、すなわち。 硬化した糸球体と糸球体の総数との比率。 これを行うには、糸球体に影響を与える強膜状態をそれらの非強膜から検出および区別することが重要です。 最先端の作品ですでに報告されているように、これは糸球体の広い強度の変動と形状とサイズの不一致のために挑戦的な作業です。

腎臓病の治療：シングルおよびデュアル移植研究

糸球体の状態を識別するために、さまざまな特徴抽出アルゴリズムの組み合わせが設計および評価されています。 報告された文献は、さまざまなタイプの染色および非ヒトWSIに適用された特定の独自の画像処理アルゴリズムを示しています。 代わりに、この作業で提案された機能のセットは、2つの広く使用されている、よく知られた、汎用の機能抽出アルゴリズムファミリ、つまり形態学的機能とテクスチャ機能のコレクションからのものです。 これらの機能ファミリーは、文献で提案されているアルゴリズムの一部にも含まれていますが、この作業では、PAS染色を使用してヒトWSIから抽出されました。 さらに、「方法」で詳しく説明されている分類パイプラインには、浅い人工ニューラルネットワークの設計を可能にする特徴削減の手順も含まれています。 この作業で提案された全体的なワークフロー、および[18]で提示された手順との統合により、組織病理学的WSIの分析のための完全なCADシステムを構築することができます。

結果

テストセットで提案された分類ワークフローを評価することによって得られた結果が報告されます。 特に、結果は、交差検定された浅いANNを使用して分類された機能の削減されたセットを考慮して得られたパフォーマンスを参照しています。 表1に報告されているように、テストセットは579個の糸球体画像で構成されていました：87個の強膜、492個の非強膜。

ワークフローの安定性を評価するために、プロセス全体を10回実行しました。 達成された結果は表2にまとめられています。特に、結果は、いくつかのメトリック、つまり精度（Eq.1）、精度（Eq.2）、リコール（Eq.3）、およびマシューズの平均と標準偏差の観点から報告されています。表3に報告されている混同行列に従って評価された相関係数（Eq.4）[19]。

反復の中で、最良の結果が表4に報告されているのに対し、対応する混同行列は表5に報告されています。

実装されたワークフローにより、良好なパフォーマンス（平均MCC =0.95および平均精度=0.99）と低い変動性（MCC std =0。01）を備えた硬化性および非硬化性糸球体の分類が可能になります。および精度標準<0.00)(see table="" 2).="" precision="" and="" recall="" are="" equal="" to="" 0.98="" and="" 0.93,="" respectively,="" thus="" showing="" that="" the="" proposed="" system="" achieves="" a="" better="" performance="" in="" the="" non-sclerotic="" evaluation(all="" the="" non-sclerotic="" glomeruli="" were="" detected="" in="" the="" best="">

表1データセット構成	表210のネットワーク初期化のメトリック比較

表3メトリクス計算の混同行列	表410のネットワーク初期化のメトリック比較

表5最良のモデルの混同行列

討論

独立したテストセットで提案されたアプローチを評価すると、分類ワークフローは、平均MCCと精度がそれぞれ{{0}}。95と0.99であり、10回の独立した反復で低い変動性を達成しました（MCC std {{5} }.01およびAccuracystd<0.00). good="" precision="" and="" recall="" were="" also="" obtained="" (precision:="" 0.9844±0.0111,="" recall:="" 0.9310±0.0153).="" the="" proposed="" approach="" thus="" leads="" to="" an="" improvement="" of="" the="" classification="" performance="" if="" compared="" to="" the="" reported="" literature[13,="">

報告されたワークフローを実装および評価する際に、パフォーマンス比較係数としてMCCを使用し、最適な分類しきい値を選択するためのROC曲線を使用することで解決された、一般的なデータの不均衡の問題に直面してテストしました。 報告された結果は、提案されたワークフロー設定が調査対象のドメインに対して信頼できることを示唆しており、糸球体の2つのクラスを区別する臨床診療をサポートしています。

誤分類された糸球体を分析すると、誤分類されたサンプルに対応する入力画像が、染色アーチファクトまたは部分的な部分（主にエッジ）を示していることもわかりました。 一般的な例を図1に示します。ただし、臨床診療では、病理医は、このような問題の影響を受ける画像を事前に検出するための戦略を設計することにより、提案されたワークフローで除外できる画像を破棄します。

腎臓病の治療：単一および二重腎臓移植

パートⅡはこちらをクリック