Künstliche Intelligenz-Ansätze kann eine Verbesserung der Diagnostik von Nierenerkrankungen

Zwei neue Studien zeigen, dass moderne machine learning—ein Zweig der künstlichen Intelligenz, in denen Systeme lernen aus Daten Muster erkennen und Entscheidungen zu treffen—möglicherweise erweitert, die traditionelle Diagnostik von Nierenerkrankungen. Die Ergebnisse erscheinen in einer bevorstehenden Ausgabe von JASN.

Pathologen oft klassifizieren verschiedene Nierenerkrankungen, die auf der Grundlage der visuellen Beurteilungen von Biopsien von Patienten Nieren; jedoch, machine-learning hat das Potenzial, zu automatisieren und zu erhöhen die Genauigkeit der Klassifizierungen.

In einer Studie, die ein team unter der Leitung von Pinaki Sarder, Ph. D. und Brandon Ginley, BS (Jacobs School of Medicine und Biomedical Sciences an der University at Buffalo) entwickelte ein Berechnungs Algorithmus zur Erkennung der schwere der diabetischen Nierenerkrankung ohne menschlichen Eingriff. Der Algorithmus untersucht, ein digitales Bild von einem Patienten die Nieren-Biopsie auf mikroskopischer Ebene und extrahiert Informationen über die glomeruli, die kleinen Blutgefäße der Niere, die filter Abfälle aus dem Blut zur Ausscheidung. Diese Strukturen sind bekannt, werden zunehmend beschädigt und vernarbt im Laufe der diabetes.

Es gibt in der Regel 10 bis 20 einzelnen glomeruli pro Biopsie, und der Algorithmus erkennt die Lage der einzelnen glomeruläre sub-Komponente in dem digitalen Bild, und dann macht viele Messungen auf jeder sub-Komponente. „Der Algorithmus dann Aussicht auf alle Funktionen gemessen, die von einem Patienten eine Biopsie, in einer Reihe, genau wie ein Arzt-scan eines Patienten Biopsie gehen von glomerulus glomerulus zu und untersucht jeweils die Struktur“, erklärt Dr. Sarder. „Der Algorithmus hat eine lang-und kurzfristigen Speicher, wie es untersucht die glomeruläre Struktur, so kann es zu erinnern und zu integrieren Informationen von allen glomeruli in seine endgültige Analyse“, fügte Herr Ginley.

Die Forscher verwendeten Ihre Methode, um Digital zu klassifizieren Biopsie-Proben von 54 Patienten mit diabetischer Nierenerkrankung und fand erheblichen Vereinbarung zwischen digitalen Klassifikationen und diejenigen, die durch 3 verschiedene Pathologen.

In einem anderen JASN Artikel veröffentlicht, zur gleichen Zeit, ein team unter der Leitung von Jeroen van der Laak, Ph. D. und Meyke Hermsen, BSc (Radboud University Medical Center, Nijmegen, Niederlande) angewendet machine learning zu untersuchen Nierentransplantation Biopsien und ging über glomeruli zu beurteilen, die mehrere Gewebe-Klassen in der Niere. Die Forscher entwickelten ein machine-learning-Modell, genannt „convolutional neural network“ (CNN) und festgestellt, dass es angewandt werden könnten, um Gewebe aus mehreren Zentren, für Biopsien und Nephrektomie Proben, und für die Analyse von sowohl gesunden und erkrankten Geweben. Darüber hinaus überprüft die CNN-Ergebnisse mit standard-Klassifikationsverfahren.

„In dieser Forschung, die wir angewendet künstliche Intelligenz genau zu analysieren Nierentransplantation Gewebe. Dies erleichtert Nierentransplantation Forschung tragend, sehr genaue und reproduzierbare Daten, welche Krankheitsverläufe, und auf längere Sicht auch dazu führen, dass verbesserte Diagnosen für eine Transplantation Patienten, die verbessert möglicherweise die Orgel überleben“, sagte Dr. van der Laak. Er stellte fest, dass die Leistung der CNN über den Erwartungen, vor allem die Genauigkeit, mit der könnte es unterscheiden, die proximalen tubuli von den distalen tubuli—zwei verschiedene Arten von Nieren-Tubuli. „Wir haben 8 mehr Gewebe Klassen und das Netzwerk hat nicht gleich gut für alle von Ihnen. Zum Beispiel, zu bestimmen, ob eine Tubuli ist in einem atrophischen Zustand kann schwierig sein, für einen menschlichen Beobachter, und das Netzwerk sich mit diesem als gut. Wir arbeiten daran, das Netzwerk besser an diese Klassifikation.“

Frau Hermsen Hinzugefügt, dass maschinelles lernen wurde nur sparsam eingesetzt, in der Niere Feld, beschränkt sich zumeist auf die Erkennung einer einzigen Struktur. „Wir fühlten, dass viel mehr Informationen, soll—und kann—entzogen werden Nieren-Gewebe, um Sie vollständig zu unterstützen graft assessment“, sagte Sie.