Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

L'apprendimento automatico può aumentare i sistemi diagnostici della malattia renale

Due nuovi studi rivelano quell'apprendimento automatico moderno--un ramo di intelligenza artificiale in cui i sistemi imparano dai dati, identificano i reticoli e prendono le decisioni--può aumentare i sistemi diagnostici tradizionali della malattia renale. I risultati compaiono in un'emissione imminente di JASN.

I patologi classificano spesso le varie malattie renali in base alle valutazioni visive delle biopsie dai reni dei pazienti; tuttavia, l'apprendimento automatico ha il potenziale di automatizzare ed aumentare l'accuratezza delle classificazioni.

In uno studio, un gruppo piombo da Pinaki Sarder, PhD e da Brandon Ginley, BS (scuola di medicina di Jacobs e scienze biomediche all'università alla Buffalo) ha sviluppato un algoritmo di calcolo per individuare la severità della malattia renale diabetica senza intervento umano. L'algoritmo esamina un'immagine digitale della biopsia del rene di un paziente al livello microscopico ed estrae le informazioni sui glomeruli, i piccoli vasi sanguigni del rene che spreco del filtro dal sangue per escrezione. Queste strutture sono conosciute per essere nocive progressivamente e sfregiate nel corso del diabete.

Ci sono in genere 10 - 20 diversi glomeruli per biopsia e l'algoritmo individua la posizione di ogni subcomponente glomerulare nelle immagini digitali e poi effettua molte misure su ogni subcomponente. “L'algoritmo poi osserva tutte funzionalità misurate dall'una biopsia del paziente in serie, appena come un medico scandirebbe la biopsia di un paziente che va dal glomerulo al glomerulo ed esaminando ciascuno la struttura,„ ha spiegato il Dott. Sarder. “L'algoritmo ha una memoria lunga ed a breve termine mentre esamina la struttura glomerulare, in modo da può ricordarsi ed informazioni comprese da tutti i glomeruli nella sua analisi definitiva,„ sig. aggiunto Ginley.

I ricercatori hanno usato il loro metodo digitalmente per classificare i campioni di biopsia da 54 pazienti con la malattia renale diabetica e per trovare l'accordo sostanziale fra le classificazioni digitali e quelle da 3 patologi differenti.

In altro articolo di JASN pubblicato allo stesso tempo, un gruppo piombo da Jeroen van der Laak, PhD e da Meyke Hermsen, il BSc (centro medico di Radboud, Nimega, Paesi Bassi) ha applicato l'apprendimento automatico per esaminare le biopsie del trapianto del rene ed ha andato oltre i glomeruli per valutare le classi multiple del tessuto nel rene. I ricercatori hanno sviluppato un modello di apprendimento automatico chiamato “una rete neurale dell'avvolgimento„ (CNN) ed hanno trovato che potrebbe applicarsi ai tessuti dai centri multipli, per le biopsie ed i campioni del nephrectomy e per l'analisi sia dei tessuti sani che malati. Inoltre, hanno convalidato i risultati del CNN con i metodi standard di classificazione.

In questa ricerca abbiamo applicato l'intelligenza artificiale analizzare esattamente il tessuto del trapianto del rene. Ciò faciliterà la ricerca del trapianto del rene rendendo i dati altamente accurati e riproducibili che caratterizzano i trattamenti di malattia ed a lungo termine egualmente piombo alle diagnosi migliori per i pazienti di trapianto, che possono migliorare la sopravvivenza dell'organo. Ha notato che la prestazione del CNN ha superato le loro aspettative, particolarmente l'accuratezza con cui potrebbe distinguere il tubuli prossimale dal tubuli distale--due tipi differenti di tubuli del rene. “Abbiamo compreso 8 nuove classi del tessuto e la rete non ha eseguito ugualmente buon per tutti. Per esempio, determinare se un tubulo è in uno stato atrofico può essere difficile per un osservatore umano e la rete ha lottato con questa pure. Stiamo lavorando a rendere la rete migliore a questa classificazione.„

Jeroen van der Laak, PhD, centro medico di Radboud, Nimega, Paesi Bassi

Sig.ra Hermsen ha aggiunto che l'apprendimento automatico si è applicato soltanto scarsamente nel giacimento del rene, principalmente limitato ad individuare una singola struttura. “Abbiamo ritenuto che molto più informazioni dovrebbero--e possa--sia estratto dal tessuto del rene per completamente supportare la valutazione dell'innesto,„ ha detto.

Un editoriale che accompagna i due studia i punti culminanti le resistenze e le debolezze dell'apprendimento automatico.