[论文解读] Prediction of Kidney Function from Biopsy Images Using Convolutional Neural Networks

David Ledbetter, Van Long Ho+1 more|arXiv (Cornell University)|Feb 6, 2017

AI in cancer detection参考文献 11被引用 12

一句话总结

本研究开发了一种卷积神经网络（CNN），用于从慢性肾脏病患者的高分辨率数字肾活检图像中预测12个月的估算肾小球滤过率（eGFR）。通过使用半自动的肾皮质区域感兴趣区域（ROI）提取方法，从三色染色和PAS-D染色切片中提取图像，该模型实现了17.55 mL/min的平均绝对误差，显著优于基线eGFR传播方法（30.5 mL/min），证明了深度学习在早期预测肾功能减退方面的可行性。

ABSTRACT

A Convolutional Neural Network was used to predict kidney function in patients with chronic kidney disease from high-resolution digital pathology scans of their kidney biopsies. Kidney biopsies were taken from participants of the NEPTUNE study, a longitudinal cohort study whose goal is to set up infrastructure for observing the evolution of 3 forms of idiopathic nephrotic syndrome, including developing predictors for progression of kidney disease. The knowledge of future kidney function is desirable as it can identify high-risk patients and influence treatment decisions, reducing the likelihood of irreversible kidney decline.

研究动机与目标

• 开发一种深度学习模型，用于从肾活检的数字病理图像中预测未来肾功能。
• 克服临床病理学中高分辨率全玻片成像、数据有限以及染色方案不一致等挑战。
• 通过利用肾皮质区域的视觉特征，改善对进展性肾病高风险患者的早期识别。
• 评估CNN在仅使用活检形态学特征（可选地结合初始eGFR）预测基线后12个月eGFR表现的性能。
• 探索对肾活检进行自动化、数据驱动分析在慢性肾脏病临床决策支持中的潜力。

提出的方法

• 由于患者数据有限（n=80），采用患者级别的5折交叉验证，以确保模型评估的稳健性。
• 使用Leica ImageScope手动从数字切片中提取感兴趣区域（ROIs），聚焦于肾皮质和肾小球，排除髓质组织。
• 使用RMSProp优化器训练CNN，采用默认超参数：ρ=0.9，ε=1e-6，初始学习率为0.0001，并按周期线性衰减。
• 权重初始化采用Glorot均匀（Xavier）初始化，以稳定训练并改善收敛性。
• 在高分辨率图像（150,000 × 50,000 × 3像素）上进行训练，像素分辨率为20微米，通过裁剪和数据增强进行处理。
• 性能通过真实eGFR与预测eGFR的散点图以及相对于1:1线的最小二乘拟合残差进行评估，平均绝对误差（MAE）为主要指标。

实验结果

研究问题

• RQ1 卷积神经网络能否从高分辨率数字肾活检图像中学习到预测未来eGFR的特征？
• RQ2 在仅使用图像特征的模型基础上，结合基线eGFR是否能提升预测准确性？
• RQ3 在低数据环境下，模型性能与简单的eGFR传播基线方法相比如何？
• RQ4 从全玻片图像中进行自动化或半自动化的ROI提取在肾病病理临床预测中能带来多大程度的改善？
• RQ5 肾皮质形态学中的哪些视觉模式与慢性肾脏病中未来肾功能减退相关？

主要发现

• CNN在预测基线后12个月eGFR时实现了17.55 mL/min的平均绝对误差（MAE），显著优于基线eGFR传播方法（MAE为30.5 mL/min）。
• 在最终全连接层中同时结合图像特征和初始eGFR的模型，相比仅使用图像的变体，性能有所提升，如验证散点图所示。
• 5折患者级别交叉验证确保了在仅80名患者且随访数据充分的小样本数据集下，评估结果的可靠性。
• 结果表明，深度学习能够从肾活检中提取出传统人工测量方法难以量化的、具有临床意义的预测性形态学特征。
• 本研究建立了概念验证，表明高分辨率数字病理数据可用于预测长期肾功能，从而实现实现早期风险分层。
• 未来工作包括探索其他CNN架构、超参数调优以及可解释性方法，以揭示学习特征中的生物学意义模式。