功能遵循形式:在ADPKD中寻找最好的预后成像生物标志物
1Department of Medicine, Cantonal Hospital Frauenfeld, Spital Thurgau AG, Frauenfeld, Switzerland; University of Zurich, Zurich, Switzerland.
Kidney international
|July 21, 2023
概括
新的深度学习方法可以自动测量自身主导多囊性病的体积,从而比目前的标准更好地预测功能下降. 这为监测疾病进展提供了更准确,更有效的方法.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 脏总体积 (TKV) 是自身主导多囊性病 (ADPKD) 的关键预后生物标志物,反映了囊的生长,并预测了功能下降.
- 然而,TKV的计算是耗时的,而质过率 (GFR) 轨迹的相当大的变化仍然无法单靠TKV来解释.
研究的目的:
- 在ADPKD中开发和验证深度学习算法,用于自动测量TKV和基于成像的新型生物标志物.
- 与传统方法相比,评估这些自动化生物标志物对长期功能丧失的预后准确性.
主要方法:
- 应用深度学习算法对脏进行细分,并从医学成像数据中量化TKV.
- 开发新的基于成像的生物标志物,使用相同的算法.
- 验证自动化TKV和新的生物标志物的预后性能,以预测随时间推移的GFR下降.
主要成果:
- 成功自动化TKV测量,显著减少计算时间.
- 识别具有潜在预后价值的新型成像生物标志物.
- 与单独使用TKV相比,对长期功能丧失的预后准确性有所改善.
结论:
- 深度学习提供了一种自动化和更准确的方法来评估ADPKD中的体积和其他成像生物标志物.
- 这些进展有望改善疾病进展的监测和预测,并可能指导治疗策略.
- 需要进一步的研究来探索这些新生物标志物的全部潜力,并解决剩余的问题.
