Agrupación

Scientific Reports volumen 13, número de artículo: 12701 (2023) Citar este artículo

69 Accesos

1 altmétrica

Detalles de métricas

El aprendizaje automático aplicado a la patología digital se utiliza cada vez más para evaluar la función renal y diagnosticar la causa subyacente de la enfermedad renal crónica (ERC). Desarrollamos un marco computacional novedoso, el análisis espacial basado en agrupaciones (CluSA), que aprovecha el aprendizaje no supervisado para aprender las relaciones espaciales entre patrones visuales locales en el tejido renal. Este marco minimiza la necesidad de anotaciones de expertos poco prácticas y que consumen mucho tiempo. Se utilizaron 107.471 imágenes histopatológicas obtenidas de 172 núcleos de biopsia en el agrupamiento y en el modelo de aprendizaje profundo. Para incorporar información espacial sobre los patrones de imágenes agrupados en la muestra de biopsia, codificamos espacialmente patrones agrupados con colores y realizamos análisis espaciales a través de una red neuronal gráfica. Se utilizó un clasificador de bosque aleatorio con varios grupos de características para predecir la ERC. Para predecir la TFGe en la biopsia, logramos una sensibilidad de 0,97, una especificidad de 0,90 y una precisión de 0,95. El AUC fue 0,96. Para predecir los cambios en la TFGe en un año, logramos una sensibilidad de 0,83, una especificidad de 0,85 y una precisión de 0,84. El AUC fue 0,85. Este estudio presenta el primer análisis espacial basado en algoritmos de aprendizaje automático no supervisados. Sin la anotación de expertos, el marco CluSA no sólo puede clasificar y predecir con precisión el grado de función renal en la biopsia y en un año, sino también identificar nuevos predictores de la función renal y el pronóstico renal.

La enfermedad renal crónica (ERC) implica una pérdida gradual de la función renal y no se detecta fácilmente en las primeras etapas hasta que la afección está avanzada. Según los Centros para el Control y la Prevención de Enfermedades, se estima que más de 37 millones de personas (15% de los adultos estadounidenses) padecen enfermedad renal crónica (ERC) y hasta 9 de cada 10 adultos con ERC no saben que tienen ERC1. La diabetes, la presión arterial alta, las enfermedades cardíacas y los antecedentes familiares de insuficiencia renal son las causas más comunes de enfermedad renal. Actualmente, la ERC, que causa más muertes que el cáncer de mama o el cáncer de próstata, es la novena causa de muerte en los EE. UU.1.

Dado que el grado de disfunción renal se asocia con una mayor mortalidad y riesgo de enfermedad cardíaca2,3, un diagnóstico temprano y preciso es crucial para frenar la progresión hacia la insuficiencia renal4. Las medidas típicas actuales de la función renal y el riesgo de progresión, como el nivel de creatinina en la sangre y las proteínas en la orina5,6, tienen varias limitaciones y no son precisas en niveles más altos de función renal7. Aunque las muestras de biopsia de riñón pueden proporcionar información de pronóstico adicional, por ejemplo, el grado de esclerosis glomerular y fibrosis intersticial8, a menudo se estiman visualmente y la interpretación puede variar entre los patólogos. Los algoritmos asistidos por computadora pueden proporcionar una evaluación renal más objetiva y ayudar a superar una variabilidad sustancial entre observadores.

Varios enfoques de aprendizaje profundo y aprendizaje automático para el análisis de imágenes histopatológicas se han vuelto cada vez más comunes con la creciente disponibilidad de escáneres digitales de portaobjetos completos9. Coudray et al. utilizaron redes neuronales convolucionales (CNN) en imágenes de diapositivas completas (WSI) para clasificarlas en adenocarcinoma de pulmón (LUAD), carcinoma de células escamosas de pulmón (LUSC) o tejido pulmonar normal10. Además, se han aplicado CNN al WSI para clasificar los glomérulos esclerosados ​​y no esclerosados11,12. Kolachalama et al. demostró que los modelos de aprendizaje profundo de CNN pueden superar la puntuación de fibrosis estimada por patólogos en todas las tareas de clasificación y pueden aplicarse a imágenes de biopsia renal de rutina13.

Hasta la fecha, la mayoría de los algoritmos de aprendizaje automático y aprendizaje profundo aplicados a imágenes de histopatología se han basado en enfoques supervisados ​​(de entrenamiento). Sin embargo, los algoritmos supervisados ​​requieren el uso de una gran cantidad de datos de entrenamiento etiquetados, lo cual es una tarea costosa, a menudo poco práctica y que requiere mucho tiempo. Para superar este problema, varios estudios han propuesto métodos como el aprendizaje débilmente supervisado y el aprendizaje de instancias múltiples (MIL), que dieron un rendimiento relativamente alto14,15,16,17,18. Sin embargo, estos todavía son métodos supervisados ​​que requieren etiquetas a nivel del paciente.

El análisis espacial del microambiente tisular y la organización celular se ha vuelto cada vez más popular con tinciones multiplexadas y técnicas avanzadas de visualización19. Investigar el contexto espacial en imágenes de histopatología digital es clave para comprender la heterogeneidad del microambiente con implicaciones clínicas20. En los últimos años, las redes neuronales de gráficos (GNN)21 han demostrado rendimientos innovadores en diversas aplicaciones de aprendizaje profundo, como la red convolucional de gráficos (GCN)22, la red convolucional de gráficos profundos (DGCNN)23 y la red de atención de gráficos (GAT)24.

El objetivo principal de este estudio fue proponer un marco computacional novedoso que no requiera anotaciones de expertos e investigó el contexto espacial de las imágenes de histopatología a través de CluSA con GNN. Nuestra hipótesis es que agregar información de vecindad espacial, que es un rasgo característico importante de todas las formas de ERC, al análisis de agrupamiento puede ayudar a mejorar el rendimiento del modelo predictivo. El proceso computacional general de este estudio se resume en la Fig. 1.

Flujo de trabajo general. (a) imagen central de biopsia; (b) parches agrupados obtenidos utilizando un algoritmo de agrupamiento de k-medias; (c) histograma de conglomerados; (d) mapa codificado por colores que consta de parches agrupados; (e) representación gráfica convertida a partir del mapa codificado por colores; y (f) modelo DGCNN que genera predicción a nivel central. La puntuación ponderada del área normalizada (puntuación aw) se calculó con el área de cada muestra de biopsia central para la predicción a nivel de paciente. (g) Se utilizó un clasificador de aprendizaje automático de bosque aleatorio con varios grupos de características, como puntuaciones aw, el número de parches o nodos agrupados, características clínicas y características de coeficiente de ajuste polinómico.

En este estudio, propusimos un nuevo marco de aprendizaje automático de conjunto computacional, el análisis espacial basado en agrupamientos (CluSA), que utiliza métodos de aprendizaje automático supervisados ​​y no supervisados ​​para predecir los resultados de los pacientes, así como para identificar patrones o características importantes asociados con el nivel de función renal y riesgo de progresión. El aprendizaje automático no supervisado que utiliza un método de agrupamiento aprende de un conjunto de datos sin etiquetar y encuentra automáticamente estructuras o patrones en los datos mediante la extracción de características útiles25 y el aprendizaje automático supervisado que utiliza análisis de gráficos aprende información espacial a través de relaciones vecinas entre estructuras o patrones adyacentes en los datos.

El conjunto de datos consistió en sujetos humanos inscritos en la cohorte C-PROBE, una cohorte multicéntrica de pacientes con ERC establecida bajo los auspicios del Centro del Riñón George O'Brien de la Universidad de Michigan (https://kidneycenter.med.umich.edu /clinical-phenotyping-resource-biobank-core). El C-PROBE tenía como objetivo recopilar datos y muestras biológicas de alta calidad para estudios traslacionales aprobados por las Juntas de Revisión Institucional de la Facultad de Medicina de la Universidad de Michigan (IRBMED) con el número de aprobación HUM00020938. C-PROBE inscribe a pacientes en el momento de la biopsia clínicamente indicada y los sigue con datos fenotípicos de forma prospectiva. El consentimiento informado por escrito se obtuvo de todos los sujetos y/o sus tutores legales.

Se utilizaron un total de 107.471 imágenes histopatológicas (256 × 256 píxeles) en el agrupamiento y en el modelo de aprendizaje profundo. Todas las imágenes se obtuvieron de 172 núcleos de biopsia de 57 casos en forma de portaobjetos teñidos con tricrómico. Este estudio se realizó y llevó a cabo de acuerdo con las directrices y regulaciones pertinentes. Se utilizó la fórmula de la Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI) para calcular la tasa de filtración glomerular estimada (eGFR)7,26.

En la patología digital moderna, la normalización de las tinciones es una tarea de procesamiento importante para los sistemas de diagnóstico asistido por ordenador (CAD). En este estudio, utilizamos la normalización de color de Reinhard en todos los datos de imágenes de diapositivas completas (WSI) como paso de preprocesamiento para evitar confusión debido a variaciones en el color y la intensidad de las imágenes y aumentar la eficiencia y el rendimiento computacional27. El algoritmo de normalización de Reinhard asigna la distribución de color de la imagen teñida a la de una imagen de referencia mediante el uso de una transformación lineal en un espacio de color perceptual. Calculamos la media global y la desviación estándar de cada canal en el espacio de color Lab para todos los datos y los utilizamos como valores de referencia para normalizar nuestros datos. La Figura S1 en los materiales complementarios proporciona un ejemplo de datos con imágenes normalizadas con tinción.

La extracción de características es un paso importante en la agrupación y tiene como objetivo extraer información relevante que caracteriza cada patrón de imagen. En este proceso, las características relevantes se extraen de las imágenes para formar vectores de características que se utilizan para agrupar patrones de imágenes en función de medidas de similitud. Existen varios métodos de extracción de características, como el histograma de gradientes orientados (HOG), la transformación de características invariantes de escala (SIFT), las características robustas aceleradas (SURF) y las características de la prueba de segmento acelerado (FAST)28,29. En este estudio, para la extracción de características, utilizamos uno de los métodos de aprendizaje automático más populares llamado aprendizaje por transferencia30,31,32. El aprendizaje por transferencia es especialmente popular en el análisis de imágenes médicas para el aprendizaje profundo, donde los datos no son suficientes para el entrenamiento33,34,35. El aprendizaje por transferencia utiliza un modelo de aprendizaje profundo previamente entrenado en el que se desarrolló un modelo para una tarea y se reutilizó como punto de partida para un modelo en otra tarea relacionada36.

Usamos DeepLab V3+ con arquitectura ResNet-1837,38 previamente entrenado en ImageNet39. Realizamos extracción de características en este modelo de aprendizaje profundo previamente entrenado, permitiendo que la imagen de entrada se propague hacia adelante y tome las salidas de la capa específica como nuestras características. Extrajimos características de una capa (res5b) de ResNet-1840, una estructura decodificadora, que forma parte de las redes neuronales profundas para la segmentación semántica, DeepLab V3+.

Utilizamos uno de los algoritmos de aprendizaje automático no supervisados ​​más populares y simples llamado agrupación de K-medias, que forma agrupaciones utilizando medidas de similitud o distancia. Primero, se estimó el número óptimo de grupo de datos K a partir del algoritmo Silhouette en MATLAB (Figura complementaria S2). Luego, se aplicó el algoritmo de agrupamiento de K-medias en los vectores de características para cada mosaico de imagen, obtenidos de todas las imágenes de los pacientes, para obtener índices de agrupamiento, ubicaciones de centroides y distancias desde cada punto a cada centroide. Luego, construimos la representación del histograma para cada caso en función de las etiquetas del grupo del centroide más cercano asignadas a cada punto, lo que resultó en 9 grupos de patrones visuales para el histograma. La frecuencia en el histograma de grupos representa la frecuencia con la que se encuentra cada patrón de imágenes agrupadas para cada caso. Esta aparición o frecuencia de cada patrón visual se utilizó como característica para predecir la TFGe del paciente. Para calcular la TFGe se utilizó la fórmula de la Chronic Kidney Disease Epidemiology Collaboration (CKD-EPI)7,26. El orden de los conglomerados en el eje x del histograma de conglomerados se obtuvo mediante escalamiento multidimensional (MDS). MDS nos permite visualizar qué tan cerca están los grupos entre sí en gráficos de histograma calculando la similitud entre grupos de patrones visuales agrupados con las distancias euclidianas.

En este estudio, diseñamos la característica que describe el ajuste de una relación no lineal entre los patrones visuales locales y la frecuencia de cada patrón y utilizamos los coeficientes de ajuste del cuarto polinomio como una característica adicional para predecir los resultados de los pacientes. Aplicamos el cuarto ajuste polinómico al histograma de frecuencia y obtuvimos cinco coeficientes para cada caso.

donde c1, c2,…, c5 son los coeficientes de la cuarta función polinómica f(x). Este ajuste polinomial en el histograma (Figura complementaria S3) proporcionó información general o una tendencia sobre todas las características de frecuencia del histograma.

En este estudio, desarrollamos un marco de análisis espacial basado en agrupaciones utilizando un modelo de aprendizaje profundo de gráficos para extraer características clave de patrones visuales a partir de imágenes de diapositivas completas (WSI) de biopsias renales. Para incorporar información espacial sobre los patrones de imágenes agrupadas en la muestra de biopsia, codificamos espacialmente patrones visuales agrupados en las imágenes de biopsia originales con colores. Los índices de agrupamiento obtenidos del algoritmo de agrupamiento de K-medias se pueden utilizar para encontrar la ubicación original de cada mosaico de imagen en la muestra de biopsia. Estos patrones visuales codificados espacialmente por colores pueden considerarse como nodos para el análisis espacial. En este estudio, para obtener la relación de vecindad espacial entre patrones de imágenes agrupadas en muestras de biopsia, utilizamos un modelo de red neuronal gráfica de última generación llamado modelo DGCNN41.

El DGCNN consta de cuatro capas convolucionales de gráficos, una capa de agrupación de clasificación, dos capas convolucionales unidimensionales, una capa de agrupación máxima y una capa completamente conectada. La representación de un gráfico completo se puede obtener sumando los vectores de representación de todos los nodos en el gráfico con un algoritmo DGCNN (Fig. 2).

Arquitectura DCGNN. (a) Imagen central de biopsia. (b) Mapa de colores agrupados. (c) Representación gráfica del mapa de colores agrupados. (d) Arquitectura DCGNN. El modelo DCGNN constaba de cuatro capas convolucionales de gráficos, una capa de agrupación de clasificación, dos capas convolucionales unidimensionales, una capa de agrupación máxima y una capa completamente conectada.

La representación gráfica como entrada de DGCNN se generó a partir de la ubicación espacial de parches visuales utilizando sus matrices de adyacencia y características de nodos. Las características de los nodos se obtuvieron utilizando MDS, que calcula la diferencia entre grupos de patrones visuales agrupados con las distancias euclidianas para mostrar qué tan cerca están los grupos de patrones visuales agrupados entre sí. El DCGNN genera una predicción de clase para cada imagen central de biopsia. Dado que cada paciente tiene múltiples núcleos de biopsia, inventamos una puntuación aw normalizada para la predicción a nivel de paciente que incorpora el tamaño normalizado de cada muestra de biopsia central en su predicción de clase correspondiente (1 o - 1), luego sumamos estas puntuaciones aw a Obtenga el resultado a nivel de paciente mediante la ecuación. (2).

donde P es una salida de la clase predicha 1 o −1 de GDCNN para cada núcleo de biopsia. n es el número de núcleos de biopsia en cada paciente. A es el área normalizada de cada núcleo de biopsia. aw-score se define como \(A \times P\) para cada núcleo. Realizamos una validación cruzada triple, estratificada por pacientes (Tablas 2, 3), en DGCNN con área enumerada y predicción de DGCNN para cada núcleo, así como puntuaciones aw para todos los pacientes obtenidas de los conjuntos de pruebas de una validación cruzada triple. Para el análisis espacial con GNN, utilizamos una biblioteca de Python para aprendizaje automático sobre datos estructurados en gráficos, llamada StellarGraph basada en TensorFlow y Keras API para el análisis de gráficos.

Obtuvimos varios grupos de características: frecuencia o aparición de cada grupo de patrones visuales, coeficientes de ajuste polinomial de una representación de histograma de grupos para cada paciente, relación de vecindad espacial entre patrones visuales agrupados y características clínicas como edad, raza y diagnóstico. En este estudio, utilizamos procesos de clasificación y extracción de características de múltiples etapas con un clasificador de bosque aleatorio para predecir la función renal en la biopsia y la predicción al año, respectivamente. En general, los procesos de extracción y clasificación de características de múltiples etapas tienen una alta precisión predictiva en comparación con el aprendizaje de un extremo a otro, que requiere una gran cantidad de datos para obtener una alta precisión42,43. Además, el clasificador de bosque aleatorio es un algoritmo de aprendizaje automático de uso común que proporciona un mayor nivel de precisión en la predicción de resultados que el algoritmo del árbol de decisión. Además, puede manejar grandes conjuntos de datos de manera eficiente, producir una predicción razonable sin ajuste de hiperparámetros y resolver el problema del sobreajuste en los árboles de decisión. Para la predicción en la biopsia, los pacientes fueron dicotomizados en grupos de TFGe baja y alta con un umbral en TFGe 60: TFGe ≥ 60 (n = 36) y TFGe <60 (n = 21). Para predecir si la TFGe disminuye o aumenta en un año, los pacientes fueron dicotomizados en dos grupos según la pendiente de la TFGe: pendiente de la TFGe ≥ 0 (n = 30) y pendiente de la TFGe <0 (n = 27). La pendiente de eGFR se define como la ecuación. (3).

donde “edad al año 1” es la edad en días aproximadamente 1 año después de la biopsia. Se realizó un análisis de la curva de característica operativa del receptor (ROC) para ilustrar la capacidad de diagnóstico del sistema clasificador binario. Para evaluar el desempeño de nuestro modelo, estimamos el área bajo la curva ROC (AUC) y su intervalo de confianza del 95%44,45,46. El análisis de agrupamiento se realizó utilizando los algoritmos “kmeans” y funciones “silueta” en MATLAB (R2020a, The MathWorks, Inc.). La ROC y el AUC se calcularon utilizando R (R Foundation for Statistical Computing, Viena, Austria).

Para agrupar patrones de imágenes en parches de imágenes, extrajimos características de cada parche de imagen para la agrupación utilizando DeepLab V3+ previamente entrenado con el modelo ResNet-1838,47. Luego, los 172 núcleos de biopsia de las imágenes se agruparon en 107.471 parches. Luego, esos parches se agruparon mediante agrupación de K-medias para agrupar patrones de imágenes similares (Fig. 3a). Los algoritmos de agrupamiento de K-medias utilizan medidas de similitud o distancia para formar agrupaciones de modo que los parches de imágenes en los mismos grupos sean más similares que los de otros grupos. El número óptimo de grupos de datos (K = 9) se obtuvo utilizando el algoritmo Silhouette en MATLAB (Figura complementaria S2).

Patrones y ejemplos de imágenes agrupadas. (a) Agrupó nueve grupos de patrones visuales con parches de imágenes representativos; (b) un ejemplo de muestra de biopsia; (c) su mapa codificado por colores de grupo; y (d) cada parche codificado por colores puede considerarse un nodo para el análisis espacial.

Para el análisis se calcularon los índices de conglomerados, las ubicaciones de los centroides y las distancias desde cada punto a cada centroide. La Figura 3 muestra (a) 9 grupos de patrones visuales agrupados con parches de imágenes representativos, (b) un ejemplo de cortezas, (c) su mapa de grupos codificado por colores y (d) cada parche codificado por colores puede considerarse un nodo para el análisis espacial. En este estudio, desarrollamos una metodología de aprendizaje profundo basada en agrupaciones para encontrar patrones visuales previamente desconocidos, así como relaciones espaciales vecinas entre patrones de estructuras renales agrupadas que podrían predecir los resultados de los pacientes. La Tabla 1 resumió una descripción detallada de cada grupo de patrones visuales y su importancia para predecir la TFGe en la biopsia y en un año, respectivamente. Los patrones visuales importantes se establecieron mediante el uso del índice de Gini, que calcula la cantidad de probabilidad de que una característica específica se clasifique incorrectamente cuando se selecciona al azar.

Un gráfico para el modelo GNN es una estructura de datos que consta de dos componentes, como nodos y bordes, que se utiliza para analizar la relación de pares entre objetos y entidades. En este estudio, la representación gráfica como entrada de DGCNN se creó con los nodos, que son los patrones visuales agrupados ubicados espacialmente en las imágenes de biopsia.

En cada caso, hay múltiples núcleos de biopsia y el DCGNN genera una predicción de clase para cada núcleo y la predicción a nivel de paciente se obtuvo con una puntuación ponderada por área normalizada, puntuación aw, incorporando el tamaño normalizado de cada muestra de biopsia central en un caso en su correspondiente predicción a nivel de paciente. Realizamos una validación cruzada triple, estratificada por pacientes, en DGCNN y las Tablas 2 y 3 enumeran el área normalizada y la predicción de DGCNN para cada núcleo y puntuación aw para cada caso. Estas puntuaciones se obtuvieron de los conjuntos de pruebas de 3 modelos diferentes (triple validación cruzada).

Se creó una representación de histograma de grupos para cada paciente para describir la distribución de cada tipo de grupo a nivel de paciente. Esta información de frecuencia de grupo del histograma nos proporciona las características de frecuencia de grupo para cada paciente. La investigación de estos patrones visuales para cada caso puede brindarnos información para encontrar características previamente desconocidas que predicen los resultados de los pacientes (Tabla 1). Algunos grupos de patrones visuales coinciden bien con distintas estructuras microscópicas del riñón: el grupo de patrones visuales n.° 2 (nódulos azules) es la estructura glomerular, que es el patrón visual más importante para predecir la función renal en la biopsia y el grupo de patrones visuales n.° 5 son arteriolas con algunas espacio en blanco. El grupo de patrones visuales n.° 7 no coincide exactamente con las estructuras microscópicas distintivas del riñón, pero contiene áreas tubulointersticiales (TI) normales y casi normales y algunas áreas intersticiales, que son los patrones visuales más importantes para predecir la función renal en un año. La Figura 4 muestra dos ejemplos de muestras de biopsia; uno (derecha) tiene patrones visuales complejos y heterogéneos y el otro (izquierda) tiene relativamente pocos y distintivos patrones visuales. A través de nuestro marco CluSA, podemos evaluar patrones visuales heterogéneos complejos de muestras de biopsia no solo a través de sus cantidades en el tejido del paciente con ERC sino también a través de su configuración espacial en el tejido.

Dos ejemplos de muestras de biopsia. (a,e) Dos ejemplos de muestras de biopsia; (b,f) nodos codificados por colores de grupos de patrones visuales agrupados; (c,g) imágenes ampliadas; ( d, h ) representación en histograma de grupos con curvas de ajuste del cuarto polinomio para ambos casos, respectivamente.

Además de la frecuencia individual o la aparición de patrones visuales en el histograma, el ajuste polinómico en el histograma proporcionó información general sobre todas las características de frecuencia del grupo de histogramas (Fig. 4d, h; Fig. complementaria S3). En este estudio, utilizamos un clasificador de aprendizaje automático para incorporar todas las características, como características de frecuencia de histograma, características de coeficiente polinómico, puntuaciones aw de DGCNN y características clínicas como edad, raza, sexo y diagnóstico para predecir los resultados de los pacientes. Las características clínicas detalladas, incluido el diagnóstico del paciente y los datos demográficos, se muestran en la Tabla complementaria S1. Utilizamos un modelo de bosque aleatorio como clasificador para calcular el AUC y predecir la asociación de patrones y características visuales con resultados clínicos de pacientes, como la TFGe. Las tablas 4 y 5 muestran la clasificación de las características importantes para el nivel dicotomizado de función renal en la biopsia y en un año, respectivamente. Utilizamos características clínicas adicionales, eGFR y UPC en la biopsia, para predecir los cambios en eGFR en un año. Estas características importantes se calcularon utilizando el índice de Gini, también conocido como impureza de Gini, que calcula la cantidad de probabilidad de que una característica específica se clasifique incorrectamente cuando se selecciona al azar.

Seleccionamos las 7 características más importantes según el rango del índice de importancia (Tablas 4, 5): una característica espacial, tres características de frecuencia (f2, f5 y f8), una característica polinómica (c1) y dos características clínicas (edad). y diagnóstico) para predecir la TFGe en la biopsia; y una característica espacial, tres características de frecuencia (f4, f6 y f8), dos características polinómicas (c2 y c4) y una característica clínica (edad) para predecir cambios en la TFGe en 1 año. La selección de las 7 características principales aseguró que las cuatro categorías de tipos de características se incluyeran en nuestro análisis. Para predecir la TFGe en la biopsia, el error del bosque aleatorio fue de 0,05, la sensibilidad fue de 0,97 y la especificidad fue de 0,90. La República de China para las 7 características principales se ilustra en la Fig. 5a. El AUC fue de 0,96 y el intervalo de confianza del 95% fue de 0,89 a 1,0. La precisión fue de 0,95.

Curvas ROC y valores AUC. Curvas ROC para la predicción del nivel de función renal, (a) en la biopsia y (b) en el futuro. Top7 representa las 7 funciones principales seleccionadas según el ranking de importancia. El eje x es la tasa de verdaderos negativos (TNR) o especificidad y el eje y es la tasa de verdaderos positivos (TPR) o sensibilidad.

Para predecir si la TFGe aumenta o disminuye en un año, el error del bosque aleatorio fue de 0,16; sensibilidad, 0,83; especificidad, 0,85; y precisión, 0,84. La República de China para las 7 características principales se ilustra en la Fig. 5b. El área bajo la curva ROC (AUC) fue de 0,85 y el intervalo de confianza del 95% fue de 0,76 a 0,95. Las precisiones se calcularon utilizando la ecuación. (4) para este modelo,

donde TP, FP, TN y FN representan predicciones verdadero positivo, falso positivo, verdadero negativo y falso negativo, respectivamente. Los resultados detallados de la matriz de confusión, el AUC, el intervalo de confianza (IC) del 95 % y la precisión se muestran en las tablas complementarias S2 y S3, respectivamente. Según los resultados, la característica espacial de la información de vecindad entre patrones visuales agrupados de la red neuronal gráfica fue la característica más importante asociada con la predicción de la función renal en la biopsia y en un año. Demostró que la precisión y el AUC de todas las funciones combinadas aumentaron en comparación con la precisión y el AUC de cada tipo de función. La precisión y el AUC para cada tipo de característica se resumen en la Tabla 6.

En el análisis de imágenes de histopatología, la inteligencia artificial y los métodos de aprendizaje automático se han utilizado en estudios asistidos por computadora para resolver problemas de toma de decisiones de diagnóstico, y la mayoría de los métodos de aprendizaje automático aplicados a las diapositivas de histopatología se han basado en el aprendizaje totalmente supervisado y en anotaciones de expertos a nivel de píxeles. para extraer características o entrenar un modelo48,49 aunque algunos investigadores intentaron reducir los esfuerzos de etiquetado utilizando aprendizaje débilmente supervisado y aprendizaje semi-supervisado para las tareas de clasificación50,51. Sin embargo, un modelo de segmentación de aprendizaje profundo requiere importantes esfuerzos de etiquetado, lo cual es una tarea que requiere mucho tiempo y que a menudo resulta poco práctica en imágenes de histopatología debido a su gran tamaño de imagen con alta resolución. Además, etiquetar microestructuras o regiones de interés (ROI) en imágenes de histopatología también requiere el conocimiento del dominio de las microestructuras de las ROI. Además, los resultados del modelo dependen de la calidad de las etiquetas en el conjunto de entrenamiento, lo que podría implicar un error humano en el etiquetado manual. Por otro lado, el aprendizaje no supervisado no requiere datos etiquetados y el modelo aprende de datos sin procesar sin ningún conocimiento previo. Además, descubre patrones previamente desconocidos a partir de los datos. Sin embargo, el aprendizaje no supervisado también tiene algunas desventajas, como la dificultad para medir la precisión o la eficacia debido a la falta de respuestas predefinidas durante el entrenamiento. Además, una de las desventajas típicas de un algoritmo de agrupamiento es que no considera las relaciones espaciales en los datos.

Para construir algoritmos de aprendizaje automático altamente inteligentes y eficientes, desarrollamos un marco computacional que utiliza el aprendizaje no supervisado para superar la carga del etiquetado manual y el aprendizaje automático supervisado para incorporar una relación espacial entre patrones visuales. La mejor manera de avanzar en esto es mediante el aprendizaje automático no supervisado utilizando un algoritmo de agrupamiento, que no requiere datos etiquetados, y encontrar la ubicación original de cada parche agrupado en la imagen de muestra de la biopsia. Además, el análisis basado en agrupamientos no tiene ninguna limitación específica en el tamaño de la muestra. Como se muestra en la Fig. 3, cada parche agrupado codificado por colores puede considerarse un nodo, y se obtuvo una representación gráfica de estos nodos para el análisis espacial. En este estudio, identificamos las características más importantes entre la característica de puntuación aw normalizada que contiene información espacial entre patrones de imágenes vecinas, las características de frecuencia de grupo que representan una cantidad cuantitativa de cada patrón o nodo de imagen agrupado dentro de un caso, las características de coeficiente de ajuste polinómico que proporcionan información general o una tendencia sobre todas las características de frecuencia de los grupos y características clínicas que incluyen edad, raza y diagnóstico. Esto se hace calculando el índice de Gini o la impureza de Gini. La característica más importante fue la característica de puntuación aw normalizada obtenida del modelo gráfico de aprendizaje profundo tanto para las predicciones en la biopsia como en un año. Esto muestra que el patrón espacial de los patrones de imágenes vecinos o la fibrosis, que es un rasgo característico de todas las formas de ERC, podría ser un factor importante a considerar para el nivel de función renal en la ERC. Hasta donde sabemos, CluSA es el primer estudio en el que se ha utilizado el aprendizaje automático no supervisado para agrupar patrones visuales morfológicos y evaluar la relación de vecindad espacial entre patrones visuales agrupados para predecir la función renal en la ERC.

Nuestro estudio retrospectivo tiene varias limitaciones. Primero, en este estudio fijamos el tamaño del parche en 256 × 256 píxeles según el requisito del tamaño de la imagen de entrada del modelo de aprendizaje profundo previamente entrenado. Sin embargo, en un estudio futuro se podrían investigar otros tamaños de imagen con cambio de escala o con cierto grado de superposición entre parches adyacentes. En segundo lugar, aunque la agrupación de k-medias es uno de los métodos populares de aprendizaje no supervisado para agrupar datos sin etiquetar en k grupos, identificar un número óptimo de grupos en un conjunto de datos es una cuestión fundamental y no hay una respuesta definitiva en cuanto al número real de grupos. Para determinar el número óptimo de grupos en la agrupación de k-medias, utilizamos uno de los algoritmos más populares, silueta, que mide la calidad de una agrupación. Su valor indica una medida de qué tan similar es un objeto a su propio grupo en comparación con otros grupos. Sin embargo, los efectos del número de grupos sobre el rendimiento de la agrupación deberían explorarse en un estudio futuro con diferentes tamaños de parche. De manera similar, para garantizar la generalización del estudio, se necesitan estudios futuros que proporcionen un examen más sistemático de los efectos de la normalización del color de la tinción, el número óptimo de grupos y diversas tinciones como H&E y PAS. Además, utilizamos un ResNet-18 previamente entrenado para la extracción de características en este estudio. Sin embargo, la elección de redes neuronales previamente entrenadas puede afectar el rendimiento de la extracción de características y los efectos de la extracción de características en diferentes redes deberían explorarse en un estudio futuro. Por último, en los últimos años se han introducido fármacos, incluidos los inhibidores del SRAA y los inhibidores de SGLT2, que pueden afectar el cambio o la tasa de cambio en la TFGe después del tratamiento52. En este estudio, no tomamos en cuenta los efectos de los medicamentos, pero sí los efectos de los medicamentos en el aumento de casos con eGFR u otras mediciones precisas de la función renal (p. ej., evaluación patológica de la gravedad de la enfermedad), ya que los resultados deben explorarse en un estudio futuro53. .

Anteriormente, hemos demostrado que las características de agrupamiento no supervisadas aprendidas por máquinas son sustitutos potenciales de la predicción de eGFR y pueden usarse como herramientas para el pronóstico, así como para la evaluación objetiva del nivel de función renal en la ERC47. En el presente estudio, nuestros resultados demuestran que la adición de información espacial mejora el rendimiento del modelo en un 2,4% y un 5,1% del AUC en la biopsia y la predicción al año, respectivamente, en comparación con el estudio anterior. Además, identificamos que la puntuación aw, que consta de resultados del modelo GNN, es la característica más importante para predecir los resultados de los pacientes. La agrupación de patrones visuales permite a los patólogos inspeccionar estos segmentos clave de imágenes en busca de datos clínicamente significativos. A diferencia de los enfoques tradicionales de aprendizaje profundo, en los que un algoritmo aprende de datos etiquetados por un patólogo con características patológicas conocidas para clasificar enfermedades, este enfoque no supervisado a través de CluSA identifica automáticamente las características discriminativas más óptimas, algunas de las cuales pueden ser potencialmente nuevas, para comprender y pronosticar enfermedades. Es importante que nuestro marco pueda encontrar patrones visuales importantes del tejido renal correspondientes a los resultados del paciente sin intervención humana y pueda predecir diagnósticos futuros. Aunque se requieren más estudios para el análisis de enfermedades complejas, nuestro marco computacional CluSA tendrá potencialmente beneficios al tener una mayor velocidad de ejecución, precisión e incorporación de información espacial, al tiempo que minimiza la necesidad de anotaciones de expertos poco prácticas y que consumen mucho tiempo.

En este estudio, demostramos que la identificación de características morfológicas a partir de la agrupación y la relación espacial entre ellas no solo puede eliminar la carga de obtener conjuntos de datos de entrenamiento etiquetados manualmente, sino que también proporciona interpretabilidad en forma de visualizaciones espaciales de características predictivas. Los resultados de nuestro estudio también indican que la relación espacial entre los patrones visuales obtenidos del aprendizaje automático no supervisado es la característica más importante que puede predecir los resultados. Nuestro marco computacional objetivo CluSA será útil para discriminar niveles de función renal, así como otras enfermedades en el análisis de imágenes de histopatología digital. Dado que el análisis basado en agrupamientos no tiene limitación en el tamaño de la muestra, nuestro marco CluSA confiere un uso práctico real con conjuntos de datos relativamente pequeños y podría ayudar en la toma de decisiones durante el seguimiento.

Todos los datos asociados con este estudio se encuentran en el artículo o en el material complementario. El código y los materiales utilizados en el análisis están disponibles en GitHub (https://github.com/aznetz/BoSVW) y los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles a través de solicitud razonable del autor correspondiente.

CENTROS PARA EL CONTROL Y LA PREVENCIÓN DE ENFERMEDADES. Centros de Control y Prevención de Enfermedades. Sitio web del Sistema de Vigilancia de Enfermedades Renales Crónicas. https://nccd.cdc.gov/CKD. Consultado el 8 de junio de 2020.

Romagnani, P. et al. Enfermedad renal crónica. Nat. Rev. Dis. Imprimaciones 3, 17088. https://doi.org/10.1038/nrdp.2017.88 (2017).

Artículo PubMed Google Scholar

Gansevoort, RT y cols. Una TFG estimada más baja y una albuminuria más alta se asocian con resultados renales adversos. Un metanálisis colaborativo de cohortes de población general y de alto riesgo. Riñón Int. 80, 93-104. https://doi.org/10.1038/ki.2010.531 (2011).

Artículo CAS PubMed PubMed Central Google Scholar

Qaseem, A. y col. Detección, seguimiento y tratamiento de la enfermedad renal crónica en estadios 1 a 3: una guía de práctica clínica del Colegio Americano de Médicos. Ana. Interno. Medicina. 159, 835–847. https://doi.org/10.7326/0003-4819-159-12-201312170-00726 (2013).

Artículo PubMed Google Scholar

da Silva Selistre, L. et al. Rendimiento diagnóstico de ecuaciones basadas en creatinina para estimar la tasa de filtrado glomerular en adultos de 65 años y más. Pasante JAMA. Medicina. 179, 796–804. https://doi.org/10.1001/jamainternmed.2019.0223 (2019).

Artículo PubMed PubMed Central Google Scholar

Tangri, N. y col. Un modelo predictivo para la progresión de la enfermedad renal crónica a insuficiencia renal. JAMA 305, 1553-1559. https://doi.org/10.1001/jama.2011.451 (2011).

Artículo CAS PubMed Google Scholar

Levey, AS et al. Una nueva ecuación para estimar la tasa de filtrado glomerular. Ana. Interno. Medicina. 150, 604–612. https://doi.org/10.7326/0003-4819-150-9-200905050-00006 (2009).

Artículo PubMed PubMed Central Google Scholar

Nath, KA Cambios tubulointersticiales como determinante importante en la progresión del daño renal. Soy. J. Enfermedad renal. 20, 1-17. https://doi.org/10.1016/s0272-6386(12)80312-x (1992).

Artículo CAS PubMed Google Scholar

Bhargava, R. & Madabhushi, A. Temas emergentes en informática de imágenes y análisis molecular para patología digital. Año. Rev. Biomed. Ing. 18, 387–412. https://doi.org/10.1146/annurev-bioeng-112415-114722 (2016).

Artículo CAS PubMed PubMed Central Google Scholar

Coudray, N. y col. Clasificación y predicción de mutaciones a partir de imágenes histopatológicas de cáncer de pulmón de células no pequeñas mediante aprendizaje profundo. Nat. Medicina. 24, 1559-1567. https://doi.org/10.1038/s41591-018-0177-5 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Bueno, G., Fernández-Carrobles, MM, González-López, L. y Deniz, O. Identificación de glomeruloesclerosis en imágenes de portaobjetos completos mediante segmentación semántica. Computadora. Métodos Programas Biomédicos. 184, 105273. https://doi.org/10.1016/j.cmpb.2019.105273 (2020).

Artículo PubMed Google Scholar

Kannan, S. y col. Segmentación de glomérulos dentro de imágenes tricrómicas mediante aprendizaje profundo. Riñón Int. Representante 4, 955–962. https://doi.org/10.1016/j.ekir.2019.04.008 (2019).

Artículo PubMed PubMed Central Google Scholar

Kolachalama, VB et al. Asociación de fibrosis patológica con supervivencia renal mediante redes neuronales profundas. Riñón Int. Representante 3, 464–475. https://doi.org/10.1016/j.ekir.2017.11.002 (2018).

Artículo PubMed PubMed Central Google Scholar

Sudharshan, PJ y cols. Aprendizaje de instancias múltiples para la clasificación de imágenes histopatológicas de cáncer de mama. Sistema experto. Aplica. 117, 103–111. https://doi.org/10.1016/j.eswa.2018.09.049 (2019).

Artículo de Google Scholar

Vu, T. y col. Un novedoso aprendizaje de instancias múltiples simétrico basado en atributos para el análisis de imágenes histopatológicas. Traducción IEEE. Medicina. Imágenes 39, 3125–3136. https://doi.org/10.1109/Tmi.2020.2987796 (2020).

Artículo PubMed PubMed Central Google Scholar

Xu, Y., Zhu, JY, Chang, EI, Lai, M. y Tu, Z. Segmentación y clasificación de imágenes de cáncer de histopatología débilmente supervisadas. Medicina. Imagen Anal. 18, 591–604. https://doi.org/10.1016/j.media.2014.01.010 (2014).

Artículo PubMed Google Scholar

Kanavati, F. y col. Aprendizaje débilmente supervisado para la clasificación del carcinoma de pulmón mediante aprendizaje profundo. Ciencia. Rep. 10, 9297. https://doi.org/10.1038/s41598-020-66333-x (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

van der Laak, J., Litjens, G. y Ciompi, F. Aprendizaje profundo en histopatología: el camino hacia la clínica. Nat. Medicina. 27, 775–784. https://doi.org/10.1038/s41591-021-01343-4 (2021).

Artículo CAS PubMed Google Scholar

Schapiro, D. y col. histoCAT: análisis de fenotipos celulares e interacciones en datos de citometría de imágenes múltiples. Nat. Métodos 14, 873–876. https://doi.org/10.1038/nmeth.4391 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Heindl, A., Nawaz, S. y Yuan, Y. Mapeo de la heterogeneidad espacial en el microambiente tumoral: una nueva era para la patología digital. Laboratorio. Invertir. 95, 377–384. https://doi.org/10.1038/labinvest.2014.155 (2015).

Artículo PubMed Google Scholar

Zhang, Z. y col. Enfoques de redes neuronales gráficas para interacciones entre fármacos y objetivos. actual. Opinión. Estructura. Biol. 73, 102327. https://doi.org/10.1016/j.sbi.2021.102327 (2022).

Artículo CAS PubMed Google Scholar

Xuan, P., Pan, S., Zhang, T., Liu, Y. & Sun, H. Método basado en redes convolucionales gráficas y redes neuronales convolucionales para predecir asociaciones de enfermedades con ARNcn. Celdas 8, 25. https://doi.org/10.3390/cells8091012 (2019).

Artículo de Google Scholar

Peng, H. y col. Clasificación de texto jerárquico a gran escala con gráfico profundo CNN regularizado recursivamente. En Conferencia web 2018: Actas de la Conferencia World Wide Web (Www2018), 1063–1072. https://doi.org/10.1145/3178876.3186005 (2018).

Veličković, P. et al. Graficar redes de atención. (2017).

López, C., Tucker, S., Salameh, T. y Tucker, C. Un método de aprendizaje automático no supervisado para descubrir grupos de pacientes basados ​​en firmas genéticas. J. Biomed. Informar. 85, 30–39. https://doi.org/10.1016/j.jbi.2018.07.004 (2018).

Artículo PubMed PubMed Central Google Scholar

Levey, AS & Stevens, LA Estimación de la TFG utilizando la ecuación de creatinina de la colaboración epidemiológica de la ERC (CKD-EPI): estimaciones de la TFG más precisas, estimaciones de prevalencia de la ERC más bajas y mejores predicciones de riesgo. Soy. J. Enfermedad renal. 55, 622–627. https://doi.org/10.1053/j.ajkd.2010.02.337 (2010).

Artículo PubMed PubMed Central Google Scholar

Reinhard, E., Ashikhmin, N., Gooch, B. y Shirley, P. Transferencia de color entre imágenes. Computación IEEE. Grafico. 21, 34–41. https://doi.org/10.1109/38.946629 (2001).

Artículo de Google Scholar

Routray, S., Ray, AK & Mishra, C. Análisis de varios métodos de extracción de características de imagen frente a imágenes ruidosas: SIFT, SURF y HOG. En actas de la Segunda Conferencia Internacional del IEEE de 2017 sobre Tecnologías Eléctricas, Informáticas y de Comunicaciones (Icecct) (2017).

Kumar, G. & Bhatia, PK Una revisión detallada de la extracción de características en sistemas de procesamiento de imágenes. En t. C Avanzado. Computadora. Computadora. https://doi.org/10.1109/Acct.2014.74 (2014).

Artículo de Google Scholar

Cheplygina, V., de Bruijne, M. & Pluim, JPW No tan supervisado: un estudio del aprendizaje semisupervisado, de múltiples instancias y de transferencia en el análisis de imágenes médicas. Medicina. Imagen Anal. 54, 280–296. https://doi.org/10.1016/j.media.2019.03.009 (2019).

Artículo PubMed Google Scholar

Liu, SP, Tian, ​​GH & Xu, Y. Un novedoso modelo de clasificación de escenas que combina el aprendizaje por transferencia basado en ResNet y el aumento de datos con un filtro. Neurocomputación 338, 191–206. https://doi.org/10.1016/j.neucom.2019.01.090 (2019).

Artículo de Google Scholar

Morid, MA, Borjali, A. y DelFiol, G. Una revisión del alcance de la investigación del aprendizaje por transferencia sobre el análisis de imágenes médicas utilizando ImageNet. Computadora. Biol. Medicina. 128, 104115. https://doi.org/10.1016/j.compbiomed.2020.104115 (2021).

Artículo PubMed Google Scholar

Shin, HC y col. Redes neuronales convolucionales profundas para detección asistida por computadora: arquitecturas CNN, características de conjuntos de datos y aprendizaje por transferencia. Traducción IEEE. Medicina. Imágenes 35, 1285-1298. https://doi.org/10.1109/TMI.2016.2528162 (2016).

Artículo PubMed Google Scholar

van Opbroek, A., Ikram, MA, Vernooij, MW y de Bruijne, M. El aprendizaje por transferencia mejora la segmentación de imágenes supervisada en todos los protocolos de imágenes. Traducción IEEE. Medicina. Imágenes 34, 1018-1030. https://doi.org/10.1109/TMI.2014.2366792 (2015).

Artículo PubMed Google Scholar

Christopher, M. y col. Rendimiento de arquitecturas de aprendizaje profundo y aprendizaje por transferencia para detectar neuropatía óptica glaucomatosa en fotografías de fondo de ojo. Ciencia. Rep. 8, 16685. https://doi.org/10.1038/s41598-018-35044-9 (2018).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Pratt, LY Avances en los sistemas de procesamiento de información neuronal, p. 204–11.

Chen, LCE, Zhu, YK, Papandreou, G., Schroff, F. y Adam, H. Codificador-decodificador con atroz convolución separable para segmentación de imágenes semánticas. Lectura. Notas Computación. Ciencia. 11211, 833–851. https://doi.org/10.1007/978-3-030-01234-2_49 (2018).

Artículo de Google Scholar

Él, KM, Zhang, XY, Ren, SQ y Sun, J. Aprendizaje residual profundo para el reconocimiento de imágenes. Proc. Cvpr IEEE. https://doi.org/10.1109/Cvpr.2016.90 (2016).

Artículo de Google Scholar

Russakovsky, O. y col. Desafío de reconocimiento visual a gran escala de ImageNet. En t. J. Computación. Vis. 115, 211–252. https://doi.org/10.1007/s11263-015-0816-y (2015).

Artículo MathSciNet Google Scholar

He, K., Zhang, X., Ren, S. & Sun, J. En Actas de la Conferencia IEEE sobre visión por computadora y reconocimiento de patrones, 770–778.

Zhang, MH, Cui, ZC, Neumann, M. & Chen, YX Una arquitectura de aprendizaje profundo de un extremo a otro para la clasificación de gráficos. En Trigésima Segunda Conferencia de la Aaai sobre Inteligencia Artificial/Trigésimo Conferencia sobre Aplicaciones Innovadoras de la Inteligencia Artificial/Octavo Simposio de la Aaai sobre Avances Educativos en Inteligencia Artificial, 4438–4445 (2018).

Zheng, XQ, Tao, YF, Zhang, RK, Yang, WM y Liao, QM TimNet: una red de coincidencia de imágenes y texto que integra la extracción de características de múltiples etapas con métricas de múltiples escalas. Neurocomputación 465, 540–548. https://doi.org/10.1016/j.neucom.2021.09.001 (2021).

Artículo de Google Scholar

Keshta, I. et al. Algoritmo de extracción de selección de características biomédicas de múltiples etapas para la detección del cáncer. Sn Apl. Ciencia. https://doi.org/10.1007/s42452-023-05339-2 (2023).

Artículo de Google Scholar

Bradley, AP El uso del área bajo la curva roc en la evaluación de algoritmos de aprendizaje automático. Reconocimiento de patrones. 30, 1145-1159. https://doi.org/10.1016/S0031-3203(96)00142-2 (1997).

ADS del artículo Google Scholar

Khatun, MS, Shoombuatong, W., Hasan, MM y Kurata, H. Evolución de herramientas bioinformáticas basadas en secuencias para la predicción de la interacción proteína-proteína. actual. Genoma. 21, 454–463. https://doi.org/10.2174/1389202921999200625103936 (2020).

Artículo CAS Google Scholar

Khatun, MS y cols. Desarrollo reciente de herramientas bioinformáticas para la predicción de objetivos de microARN. actual. Medicina. Química. https://doi.org/10.2174/0929867328666210804090224 (2021).

Artículo de Google Scholar

Lee, J. y col. Aprendizaje automático no supervisado para identificar características visuales importantes a través de una bolsa de palabras utilizando datos histopatológicos de la enfermedad renal crónica. Ciencia. Rep. 12, 4832. https://doi.org/10.1038/s41598-022-08974-8 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Bouteldja, N. et al. Segmentación y cuantificación basada en Deep Learning en histopatología renal experimental. Mermelada. Soc. Nefrol. 32, 52–68. https://doi.org/10.1681/ASN.2020050597 (2021).

Artículo CAS PubMed Google Scholar

Kim, Y. et al. Un enfoque de aprendizaje profundo para la segmentación automatizada de riñones y quistes exofíticos en personas con poliquistosis renal autosómica dominante. Mermelada. Soc. Nefrol. 33, 1581-1589. https://doi.org/10.1681/ASN.2021111400 (2022).

Artículo PubMed PubMed Central Google Scholar

Zhou, ZH Una breve introducción al aprendizaje débilmente supervisado. Nacional. Ciencia. Apocalipsis 5, 44–53. https://doi.org/10.1093/nsr/nwx106 (2018).

Artículo de Google Scholar

Kingma, DP, Rezende, DJ, Mohamed, S. & Welling, M. Aprendizaje semisupervisado con modelos generativos profundos. En Avances en sistemas de procesamiento de información neuronal 27 (Nips 2014) 27 (2014).

Zhang, F. y col. Efectos de los inhibidores del SRAA en pacientes con enfermedad renal. actual. Hipertensos. Representante https://doi.org/10.1007/s11906-017-0771-9 (2017).

Artículo PubMed Google Scholar

Bjornstad, P., Karger, AB & Maahs, DM Medición de la TFG en la práctica clínica habitual: la promesa de las gotas de sangre seca. Adv. Crón. Enfermedad renal. 25, 76–83. https://doi.org/10.1053/j.ackd.2017.09.003 (2018).

Artículo de Google Scholar

Descargar referencias

Nos gustaría agradecer a todo el personal del laboratorio JBH por su contribución a este estudio. Este trabajo fue apoyado por el Departamento de Defensa W81XWH2210032 (a JL), el Departamento de Defensa W81XWH2010436 (a JBH y AR) y la subvención NCI R37-CA214955 (a AR).

Departamento de Medicina Computacional y Bioinformática, Universidad de Michigan, Ann Arbor, MI, EE. UU.

Joonsang Lee, Elisa Warner, Xin Zhang y Arvind Rao

Departamento de Patología, Universidad de Michigan

Jharna Saha, Yingbao Yang, Jinghui Luo y Jeffrey B. Hodgin

Departamento de Medicina Interna, Nefrología, Universidad de Michigan, Ann Arbor, MI, EE. UU.

Salma Shaikhouni, Markus Bitzer, Matthias Kretzler, Subramaniam Pennathur y Laura Mariani

Departamento de Pediatría, Nefrología Pediátrica, Universidad de Michigan, Ann Arbor, MI, EE. UU.

Debbie Gibson

Departamento de Medicina Interna, Nefrología, St. Clair Nephrology Research, Detroit, MI, EE. UU.

Keith Bellovich

Departamento de Medicina Interna, Nefrología, Universidad Estatal de Wayne, Detroit, MI, EE. UU.

Zeenat Bhatt

Departamento de Medicina Interna, Nefrología, Clínica Cleveland, Cleveland, OH, EE. UU.

Crystal Gadegbeku

Departamento de Pediatría, Nefrología Pediátrica, Levine Children's Hospital, Charlotte, Carolina del Norte, EE. UU.

Susan Massengill

Departamento de Medicina Interna, Nefrología, Departamento del Hospital JH Stroger, Chicago, IL, EE. UU.

Kalyani Perumal

Departamento de Bioestadística, Universidad de Michigan, Ann Arbor, MI, EE. UU.

Arvind Rao

Departamento de Oncología Radioterápica, Universidad de Michigan, Ann Arbor, MI, EE. UU.

Arvind Rao

Departamento de Ingeniería Biomédica, Universidad de Michigan, Ann Arbor, MI, EE. UU.

Arvind Rao

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

La concepción y el diseño del proyecto estuvieron a cargo de JL, JBH y AR. La recopilación y el preprocesamiento de datos fueron realizados por JL, EW, SS, MB, MK, DG, SP, KB, ZB, CG, SM, KP, JS, YY, JL. XZ, LM y JBH La programación del software, el análisis estadístico y la interpretación fueron realizados por JL. El manuscrito fue escrito por JL y todos los autores lo revisaron.

Correspondencia con Joonsang Lee, Jeffrey B. Hodgin o Arvind Rao.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Lee, J., Warner, E., Shaikhouni, S. et al. Marco de análisis espacial basado en agrupamiento (CluSA) a través de una red neuronal gráfica para la predicción de la enfermedad renal crónica mediante imágenes de histopatología. Representante científico 13, 12701 (2023). https://doi.org/10.1038/s41598-023-39591-8

Descargar cita

Recibido: 21 de abril de 2023

Aceptado: 27 de julio de 2023

Publicado: 05 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39591-8

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.