在协议移植活检中识别带有深度学习的体内组织学特征,以及它们与功能和预后的关联
Imane Farhat1, Elise Maréchal1, Doris Calmo2
1Department of Nephrology, CHU Dijon, Dijon, France.
Clinical kidney journal
|February 19, 2024
概括
卷积神经网络在移植活检中准确地细分了脏结构. 自动化细胞和毛细血管测量与功能和移植损失风险相关,提供新的预后标志物.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 班夫分类可能无法完全捕捉出"正常"的移植活检协议中的微妙变化.
- 在移植患者中,无法解释的移植功能恶化需要先进的诊断工具.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 用于细胞和毛细血管在移植活检中的自动细分.
- 评估CNN衍生的定量组织学特征与脏移植功能和预后之间的相关性.
主要方法:
- 一个CNN被训练在手动注释的球细胞和毛细血管从37个脏移植活检.
- 在一个单独的测试队列 (24名患者) 中,CNN的表现与手册注释进行了验证.
- 提取了定量组织学特征,并与154名患者的估计淋巴细胞过率 (eGFR),蛋白尿和移植存活率相关联.
主要成果:
- 在细分组织结构方面,CNN实现了高精度 (精度> 0.92,回忆> 0.85,F-score> 0.89).
- 一些定量特征,包括内皮细胞密度和表皮细胞密度,与eGFR和蛋白尿显著相关.
- 较低的相对内皮细胞面积,平均内皮细胞面积和上皮细胞密度与移植损失的风险增加有关.
结论:
- 使用CNN的球细胞和毛细血管的自动细分是可行的和准确的.
- 来自自动细分的定量组织学特征显示,作为预测移植结果的新生物标志物具有前景.
- 这种方法可以加强对协议活检的评估,特别是在无法解释的移植功能障碍的情况下.
