Искусственный интеллект подходы могут улучшить диагностику заболеваний почек

Два новых исследования показывают, что современное машинное обучение — ветвь искусственного интеллекта, в которых системы узнать из данных, выявлять закономерности, принимать решения, может дополнить традиционную диагностику заболеваний почек. Полученные результаты опубликованы в следующем выпуске ясной.

Патологоанатомы часто относят различные заболевания почек на основе визуальной оценки биоптатов от больных почек, однако машинное обучение имеет потенциал для автоматизации и повышения точности классификации.

В одном исследовании, группа ученых под руководством Пинак сардер, аспирантов и Брэндон Ginley, БС (Jacobs из Школы медицины и биомедицинских наук Университета Буффало) разработан вычислительный алгоритм для определения тяжести диабетической болезнью почек без вмешательства человека. Алгоритм анализирует цифровое изображение пациента биопсия почек на микроскопическом уровне и извлекает информацию о клубочки, мелкие кровеносные сосуды почек, которые фильтруют отходы из крови для выведения. Эти структуры, как известно, становятся все повреждения и шрамы в течение диабета.

Там обычно от 10 до 20 отдельных клубочков на биопсию, и алгоритм определяет местоположение каждого подкомпонента клубочков в цифровые изображения, а затем делает много измерений на каждого подкомпонента. «Алгоритм рассматривает все функции, измеренной от одного пациента биопсии в серии, как это сделал бы доктор сканирование пациента биопсии идет от клубочка в клубочек и изучение структуры каждого из них», — пояснил доктор сардер. «Алгоритм долгой и кратковременной памяти, как это рассматривается структура гломерулярных, так что он может помнить и интегрировать информацию из всех клубочков в конечном итоге», — добавил г-н Ginley.

Исследователи использовали метод цифровой классифицировать биоптатов из 54 пациентов с диабетической болезнью почек и нашли существенные соглашения между цифровой классификаций и 3 разных патологоанатомов.

В другой ясной статье, опубликованной в то же время, команда во главе с й. ван дер Лаак, аспирантов и Meyke Hermsen, бакалавр (Radboud университета медицинский центр, Неймеген, Нидерланды) прикладного машинного обучения для изучения трансплантации почки биопсия и пошел за клубочки для оценки нескольких тканей классов в почках. Исследователи разработали модель машинного обучения называется «сверточные нейронные сети» (CNN) и обнаружили, что она может быть применена к тканям из нескольких центров, для биопсии и образцы нефрэктомии, и для анализа здоровых и пораженных тканей. Кроме того, они подтвердили результаты телеканала CNN со стандартными методами классификации.

«В этом исследовании мы применили искусственный интеллект позволяет анализировать тканей пересадка почки. Это будет способствовать проведению исследований по пересадке почки, предоставляя очень точные и воспроизводимые данные, характеризующие процессы болезни, и в долгосрочной перспективе также приведет к улучшению диагностики для пациентов после трансплантации, которые могут улучшить выживаемость органа,» сказал д-р Ван дер Лаак. Он отметил, что работу телеканала CNN превзошел их ожидания, особенно точность, с которой он мог различить проксимальные канальцы, дистальные канальцы — из двух разных видах почечных канальцев. «Мы включили 8 классов ткани и сети не одинаково хорошо для всех из них. Например, при определении влияния трубочку в атрофическом состоянии может быть трудно для человеческого наблюдателя, и сеть боролись с этим, а также. Мы работаем над тем, чтобы сеть лучше по этой классификации».

Г-жа Hermsen добавил, что машинное обучение только иногда применяется в области почек, в основном сводилось к выявлению единой структуры. «Мы почувствовали, что гораздо больше информации должно-и может-быть извлечены из ткани почки, чтобы полностью поддерживаем оценки трансплантата,» говорит она.

В редакционной статье, сопровождающей два исследования, выделены сильные и слабые стороны машинного обучения.