Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'apprentissage automatique peut augmenter la diagnose de la maladie rénale

Deux études neuves indiquent cet apprentissage automatique moderne--une succursale d'artificial intelligence dans laquelle les systèmes apprennent des caractéristiques, recensent des configurations, et prennent des décisions--peut augmenter la diagnose traditionnelle de la maladie rénale. Les découvertes apparaissent dans un futur numéro de JASN.

Les pathologistes classifient souvent des maladies rénales variées sur la base des évaluations visuelles des biopsies des reins des patients ; cependant, l'apprentissage automatique a le potentiel d'automatiser et augmenter l'exactitude des catégories.

Dans une étude, une équipe aboutie par Pinaki Sarder, PhD et Brandon Ginley, le SB (École de Médecine de Jacobs et sciences biomédicales à l'université à Buffalo) ont développé un algorithme de calcul pour trouver la gravité de la maladie rénale du diabète sans intervention humaine. L'algorithme examine une image numérique de la biopsie du rein d'un patient au niveau microscopique et extrait l'information sur des glomérules rénaux, les petits vaisseaux sanguins du rein qui des rebuts de filtre du sang pour l'excrétion. Ces structures sont connues pour devenir graduel endommagées et marquées au cours du diabète.

Il y a en général 10 à 20 différents glomérules rénaux selon la biopsie, et l'algorithme trouve l'emplacement de chaque sous-composant glomérulaire dans les images numériques, et puis effectue beaucoup de mesures sur chaque sous-composant. « L'algorithme voit alors toutes les caractéristiques mesurées à partir d'une biopsie du patient dans une suite, juste comme un docteur balayerait la biopsie d'un patient allant du glomérule rénal dans le glomérule rénal et examinant chacun la structure, » a expliqué M. Sarder. « L'algorithme a une longue et à court terme mémoire pendant qu'il examine la structure glomérulaire, ainsi il peut rappeler et l'information incorporée de tous les glomérules rénaux dans son analyse finale, » M. ajouté Ginley.

Les chercheurs avaient l'habitude leur méthode digitalement pour classifier des échantillons de biopsie provenant de 54 patients présentant la maladie rénale du diabète et pour fonder la convention considérable entre les catégories digitales et ceux par 3 pathologistes différents.

En un autre article de JASN publié en même temps, une équipe aboutie par Jeroen van der Laak, PhD et Meyke Hermsen, BSC (centre médical d'université de Radboud, Nimègue, Pays-Bas) ont appliqué l'apprentissage automatique pour examiner des biopsies de greffe de rein et sont allés au delà des glomérules rénaux évaluer les classes multiples de tissu dans le rein. Les chercheurs ont développé un modèle d'apprentissage automatique appelé « un réseau neuronal circonvolutionnaire » (CNN) et ont constaté qu'il pourrait être appliqué aux tissus à partir des centres multiples, pour des biopsies et des échantillons de néphrectomie, et pour l'analyse des tissus sains et malades. De plus, ils ont validé les résultats du CNN avec des méthodes normales de catégorie.

Dans cette recherche nous avons appliqué l'artificial intelligence d'analyser exactement le tissu de greffe de rein. Ceci facilitera la recherche de greffe de rein en fournissant des caractéristiques hautement précises et reproductibles caractérisant des procédés de la maladie, et mène à plus long terme également aux diagnostics améliorés pour les greffés, qui peuvent améliorer la survie d'organe. Il a noté que le rendement du CNN a dépassé leurs attentes, particulièrement l'exactitude avec laquelle il pourrait discerner le tubuli proximal du tubuli distal--deux types différents de tubules de rein. « Nous avons inclus 8 classes supplémentaires de tissu et le réseau n'a pas exécuté également bon pour tous. Par exemple, la détermination si un tubule est dans une condition atrophique peut être difficile pour un observateur humain, et le réseau a lutté avec ceci aussi bien. Nous travaillons à rendre le réseau meilleur à cette catégorie. »

Jeroen van der Laak, PhD, centre médical d'université de Radboud, Nimègue, Pays-Bas

Mme Hermsen a ajouté que l'apprentissage automatique seulement a été peu abondamment appliqué dans le domaine de rein, en grande partie limité à trouver une structure unique. « Nous avons estimé que beaucoup plus d'information devrait--et pouvez--soyez extrait du tissu de rein afin d'approuver pleinement l'évaluation de greffe, » il a dit.

Un éditorial qui accompagne les deux étudie des points culminants les forces et les faiblesses de l'apprentissage automatique.