Agrupamento

Scientific Reports volume 13, Artigo número: 12701 (2023) Citar este artigo

Detalhes das métricas

O aprendizado de máquina aplicado à patologia digital tem sido cada vez mais utilizado para avaliar a função renal e diagnosticar a causa subjacente da doença renal crônica (DRC). Desenvolvemos uma nova estrutura computacional, análise espacial baseada em cluster (CluSA), que aproveita o aprendizado não supervisionado para aprender relações espaciais entre padrões visuais locais no tecido renal. Essa estrutura minimiza a necessidade de anotações de especialistas demoradas e impraticáveis. 107.471 imagens histopatológicas obtidas de 172 núcleos de biópsia foram utilizadas no agrupamento e no modelo de aprendizagem profunda. Para incorporar informações espaciais sobre os padrões de imagem agrupados na amostra de biópsia, codificamos espacialmente os padrões agrupados com cores e realizamos análise espacial através da rede neural gráfica. Um classificador florestal aleatório com vários grupos de características foi utilizado para prever a DRC. Para prever a TFGe na biópsia, obtivemos sensibilidade de 0,97, especificidade de 0,90 e precisão de 0,95. AUC foi de 0,96. Para prever alterações na TFGe em um ano, alcançamos sensibilidade de 0,83, especificidade de 0,85 e precisão de 0,84. AUC foi de 0,85. Este estudo apresenta a primeira análise espacial baseada em algoritmos de aprendizado de máquina não supervisionados. Sem anotação especializada, a estrutura CluSA pode não apenas classificar e prever com precisão o grau de função renal na biópsia e em um ano, mas também identificar novos preditores de função renal e prognóstico renal.

A doença renal crônica (DRC) envolve uma perda gradual da função renal e não é facilmente detectada nos estágios iniciais até que a condição esteja avançada. De acordo com os Centros de Controle e Prevenção de Doenças, estima-se que mais de 37 milhões de pessoas (15% dos adultos nos EUA) tenham Doença Renal Crônica (DRC) e até 9 em cada 10 adultos com DRC não sabem que têm DRC1. Diabetes, pressão alta, doenças cardíacas e histórico familiar de insuficiência renal são as causas mais comuns de doença renal. Atualmente, a DRC, que causa mais mortes que o câncer de mama ou de próstata, é a nona principal causa de morte nos EUA1.

Como o grau de disfunção renal está associado ao aumento da mortalidade e ao risco de doença cardíaca2,3, um diagnóstico precoce e preciso é crucial para retardar a progressão para insuficiência renal4. As medidas típicas atuais da função renal e do risco de progressão, como o nível de creatinina no sangue e proteína na urina5,6, têm várias limitações e não são precisas em níveis mais elevados de função renal7. Embora as amostras de biópsia renal possam fornecer informações prognósticas adicionais, por exemplo, grau de esclerose glomerular e fibrose intersticial8, elas são frequentemente estimadas visualmente e a interpretação pode variar entre os patologistas. Algoritmos auxiliados por computador podem fornecer uma avaliação renal mais objetiva e ajudar a superar a variabilidade substancial entre observadores.

Várias abordagens de aprendizado profundo e aprendizado de máquina para análise de imagens histopatológicas tornaram-se cada vez mais comuns com a crescente disponibilidade de scanners digitais de lâminas inteiras9. Coudray et al. utilizaram redes neurais de convolução (CNN) em imagens de slide inteiro (WSI) para classificá-las em adenocarcinoma pulmonar (LUAD), carcinoma espinocelular de pulmão (LUSC) ou tecido pulmonar normal10. Além disso, a CNN foi aplicada ao WSI para classificar glomérulos esclerosados ​​e não esclerosados11,12. Kolachalama et al. demonstraram que os modelos de aprendizagem profunda da CNN podem superar a pontuação de fibrose estimada pelo patologista em todas as tarefas de classificação e podem ser aplicados a imagens de biópsia renal de rotina13.

Até o momento, a maioria dos algoritmos de aprendizado de máquina e aprendizado profundo aplicados a imagens histopatológicas foram baseados em abordagens supervisionadas (treinamento). No entanto, algoritmos supervisionados requerem o uso de uma grande quantidade de dados de treinamento rotulados, o que é uma tarefa demorada, muitas vezes impraticável e cara. Para superar este problema, vários estudos propuseram métodos como aprendizagem fracamente supervisionada e aprendizagem de múltiplas instâncias (MIL), que proporcionaram desempenho relativamente alto . No entanto, estes ainda são métodos supervisionados que exigem rótulos ao nível do paciente.