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'outil neuf d'AI prévoit l'ampleur des dégâts continuels dans le rein

La maladie rénale chronique (CKD) est provoquée par le diabète et l'hypertension. En 2017, la prévalence globale du CKD était de 9,1 pour cent, qui est approximativement 700 millions de cas. Les dégâts continuels de rein sont évalués en rayant la quantité de fibrose interstitielle et d'atrophie tubulaire (IFTA) dans un échantillon de biopsie rénale. Bien que la numérisation d'image et (des formes et des cotes externes de mesure) les techniques morphométriques puissent mieux mesurer l'ampleur des dégâts histologiques, plus largement une voie applicable de stratifier la gravité de la maladie de rein est nécessaire.

Maintenant, les chercheurs de l'École de Médecine d'université de Boston (BUSM) ont développé un outil nouvel (AI) d'artificial intelligence pour prévoir la pente d'IFTA, une corrélation structurelle connue de progressif et la maladie rénale chronique.

Avoir un type d'ordinateur qui peut imiter le flux de travail d'un pathologiste expert et évaluer la pente de la maladie est une idée passionnante parce que cette technologie a le potentiel d'augmenter le rendement dans des pratiques cliniques. »

Vijaya B. Kolachalama, PhD, auteur de Ccorresponding d'étude et professeur adjoint de médicament, École de Médecine d'université de Boston

Le flux de travail particulier par le pathologiste sur le microscope comporte des fonctionnements manuels tels que le panoramique ainsi que change de plan dans et hors des régions spécifiques sur le guide pour évaluer des aspects variés de la pathologie. Dans de « zoom l'évaluation à l'extérieur », les pathologistes observent le guide entier et effectuent le bilan « global » du faisceau de rein. Dans « changent de plan dedans » l'évaluation, ils effectuent le bilan en profondeur et microscopique de la pathologie « locale » dans les régions d'intérêt.

Une équipe internationale de cinq nephropathologists de pratique a indépendamment déterminé des rayures d'IFTA sur le même ensemble de biopsies humaines chiffrées de rein utilisant un logiciel basé sur le WEB (PixelView, deepPath Inc.). Leurs notes moyennes ont été prises comme une estimation de référence pour établir le modèle apprenant profond.

Pour émuler l'approche des nephropathologist à classer les guides de biopsie sous un microscope, l'AI utilisée par chercheurs pour comporter des configurations et des caractéristiques des sous-régions (ou des corrections) de l'image chiffrée de biopsie de rein ainsi que de l'entier (global) a chiffré l'image pour mesurer l'ampleur d'IFTA. Par cette combinaison des caractéristiques correction correction et niveau global, un modèle apprenant profond a été conçu pour prévoir exactement la pente d'IFTA.

Une fois validé, Kolachalama croit que les modèles d'AI qui peuvent automatiquement rayer l'ampleur des dégâts continuels dans le rein peut servir des deuxièmes outils d'opinion dans des pratiques cliniques. « Éventuellement, il peut être possible d'employer cet algorithme pour étudier d'autres pathologies d'organe-détail concentrées sur la fibrose de évaluation. De telles méthodes peuvent retenir le potentiel de donner les relevés plus reproductibles d'IFTA que les relevés par des nephropathologists, » il ajoute.

Ces découvertes apparaissent en ligne dans le tourillon américain de la pathologie.

Source:
Journal reference:

Zheng, Y., et al. (2021) Deep learning-driven quantification of interstitial fibrosis in digitized kidney biopsies. The American Journal of Pathology. doi.org/10.1016/j.ajpath.2021.05.005.