Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

A aprendizagem de máquina pode aumentar diagnósticos da doença renal

Dois estudos novos revelam essa aprendizagem de máquina moderna--um ramo da inteligência artificial em que os sistemas aprendem dos dados, identificam testes padrões, e fazem decisões--pode aumentar diagnósticos tradicionais da doença renal. Os resultados aparecem em uma próximo introdução de JASN.

Os patologistas classificam frequentemente várias doenças renais com base em avaliações visuais das biópsias dos rins dos pacientes; contudo, a aprendizagem de máquina tem o potencial automatizar e aumentar a precisão das classificações.

Em um estudo, uma equipe conduzida por Pinaki Sarder, o PhD e Brandon Ginley, BS (Faculdade de Medicina de Jacobs e ciências biomedicáveis na universidade no búfalo) desenvolveram um algoritmo computacional para detectar a severidade da doença renal do diabético sem intervenção humana. O algoritmo examina uma imagem digital da biópsia do rim de um paciente a nível microscópico e extrai a informação em glomérulo, os vasos sanguíneos pequenos do rim que desperdício do filtro do sangue para a excreção. Estas estruturas são sabidas para tornar-se danificadas progressivamente e assustado no curso do diabetes.

Há tipicamente 10 a 20 glomérulo individuais pela biópsia, e o algoritmo detecta o lugar de cada secundário-componente glomerular nas imagens digitais, e faz então muitas medidas em cada secundário-componente. “O algoritmo vê então todas as características medidas da uma biópsia do paciente em uma série, apenas como um doutor faria a varredura da biópsia de um paciente que vai do glomérulo ao glomérulo e examinando cada um a estrutura,” explicou o Dr. Sarder. “O algoritmo tem uma memória longa e a curto prazo enquanto examina a estrutura glomerular, assim que pode recordar e informação incorporada de todos os glomérulo em sua análise final,” Sr. adicionado Ginley.

Os pesquisadores usaram seu método para classificar amostras da biópsia de 54 pacientes com doença renal do diabético e para encontrar digital o acordo substancial entre classificações digitais e aquelas por 3 patologistas diferentes.

Em um outro artigo de JASN publicado ao mesmo tempo, uma equipe conduzida por Jeroen camionete der Laak, o PhD e Meyke Hermsen, BSc (centro médico da universidade de Radboud, Nijmegen, os Países Baixos) aplicaram a aprendizagem de máquina examinar biópsias da transplantação do rim e foram além dos glomérulo avaliar classes múltiplas do tecido no rim. Os pesquisadores desenvolveram um modelo da aprendizagem de máquina chamado “uma rede neural circunvolucional” (CNN) e encontraram que poderia ser aplicado aos tecidos dos centros múltiplos, para biópsias e amostras do nephrectomy, e para a análise de tecidos saudáveis e doentes. Além, validaram os resultados do CNN com métodos padrão da classificação.

Nesta pesquisa nós aplicamos a inteligência artificial analisar exactamente o tecido da transplantação do rim. Isto facilitará a pesquisa da transplantação do rim rendendo os dados altamente exactos e reprodutíveis que caracterizam processos da doença, e no longo prazo igualmente condu-la aos diagnósticos melhorados para os doentes transplantados, que podem melhorar a sobrevivência do órgão. Notou que o desempenho do CNN excedeu suas expectativas, especialmente a precisão com que poderia distinguir o tubuli proximal do tubuli longe do ponto de origem--dois tipos diferentes de tubules do rim. “Nós incluímos 8 mais classes do tecido e a rede não executou ingualmente bom para todo. Por exemplo, determinar se um tubule está em um estado atrófico pode ser difícil para um observador humano, e a rede esforçou-se com a esta também. Nós estamos trabalhando em fazer a rede melhor nesta classificação.”

Jeroen camionete der Laak, PhD, centro médico da universidade de Radboud, Nijmegen, os Países Baixos

A Senhora Hermsen adicionou que a aprendizagem de máquina estêve aplicada somente escassa no campo do rim, limitado na maior parte a detectar uma única estrutura. “Nós sentimos que muito mais informação deve--e possa--seja extraído do tecido do rim a fim apoiar inteiramente a avaliação do enxerto,” disse.

Um editorial que acompanhe os dois estuda destaques os pontos fortes e fracos da aprendizagem de máquina.