Nghiên cứu mô hình trí tuệ nhân tạo Deep learning để đánh giá mô bệnh học tổn thương ống thận cấp

NGHIÊN CỨU MƠ HÌNH TRÍ TUỆ NHÂN TẠO DEEP LEARNING ĐỂ ĐÁNH GIÁ MÔ BỆNH HỌC TỔN THƯƠNG ỐNG THẬN CẤP I ĐẶT VẤN ĐỀ Trí tuệ nhân tạo (Artificial Intelligence) Thuật ngữ "trí tuệ nhân tạo" (artificial Language intelligence: AI) lần đặt vào năm 1950, sử Cognition Doing dụng để mô tả khả bắt chước mô hành vi tư phản biện Human abilities người Trong khả học khả quan trọng tàng cho khả khác Looking Listening Learning Machine Learning – Deep Learning Neural Network ● Machine Learning tập AI, lĩnh vực khoa học tập trung nghiên cứu cung cấp cho máy tính khả học từ liệu ● Deep learning tiến Machine Learning Do cấu trúc nhiều lớp phức tạp, mơ hình học sâu cần tập liệu lớn để thực diễn giải chất lượng cao loại bỏ dao động Image source: Internet Machine Learning – Deep Learning ● Trong thuật tốn Machine Learning có cấu trúc đơn giản, chẳng hạn decision tree linear regression, Deep Learning sử dụng khung thuật tốn phức tạp dựa cấu trúc não người, đan xen phức tạp, gọi mạng nơ-ron nhân tạo (ANN) ● Các thuật tốn Deep Learning tự động trích xuất tính mà khơng cần nhiều can thiệp người chúng học hỏi từ lỗi Image source: Internet Mạng thần kinh nhân tạo Neural network Thông tin truyền qua node dạng số cơng thức để máy hiểu ghi nhớ Quá trình trình huấn luyện (training) Mạng thần kinh tích chập - Convolutional Neural Networks • Cấu trúc CNN bao gồm nhiều khối lớp tích chập (convolution layers), lớp tổng hợp (pooling layers) lớp kết nối đầy đủ (fully-connected layers) • Các lớp tích chập lớp tổng hợp tiến hành trích xuất đặc trưng liệu, lớp kết nối đầy đủ sử dụng để xây dựng đồ đặc điểm trích xuất vào đầu cuối Yamashita et al 2018 Pubmed - "Artificial Intelligence"[Mesh] count 1951 1 1 1 1 1 1 40 142 177 197 271 358 436 424 595 705 889 833 957 993 1030 1225 1316 1423 1757 1953 1956 1960 1962 1964 1966 1972 1976 1980 1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2022.08.13 2713 3579 4009 4391 4835 4572 4372 5173 5430 2014 2016 2018 6647 6642 6450 6453 7678 10208 2020 2022 14554 18952 24389 15955 5000 10000 15000 20000 25000 30000 Ứng dung AI y tế Sự phát triển ứng dụng AI y tế gắn liền với việc tạo thuật toán AI nhằm hỗ trợ bác sĩ chẩn đoán, đưa định điều trị tiên lượng Amisha et al 2019 Ứng dụng AI bệnh học thận Một ví dụ ứng dụng AI bệnh học thận trình bày, từ bệnh học tích hợp đến y học xác Các nhà nghiên cứu bệnh học với hỗ trợ AI chứng minh độ xác cao so với có AI có bác sĩ việc phát ung thư Huo, Y., Deng, R., Liu, Q., Fogo, A B., & Yang, H (2021) AI applications in renal pathology Kidney international 10 Chỉ số để đánh giá hiệu mơ hình phân vùng cấu trúc Dice coefficient (DC) Chỉ số DC dùng để đánh giá mơ hình phân vùng hình ảnh sử dụng phổ biến phân tích hình ảnh y tế Được tính theo công thức: 2| 𝐴 ∩ 𝐵 | Dice = |𝐴|+|𝐵| Chỉ số nằm khoảng từ (không có pixel trùng vùng người gán nhãn kết máy dự đoán) đến (máy dự đốn hồn tồn vùng người gán nhãn) III KẾT QUẢ Confusion matrix • Để đánh giá hiệu suất thuật toán phân loại, tập hợp thử nghiệm độc lập với tập huấn luyện gồm 77 hình ảnh sử dụng • Confusion matrix cho thấy kết dự đốn mơ hình phân loại với ba lớp tương ứng với ba mức độ tổn thương ống thận cấp tính Đường cong Receiver operating characteristics (ROC) cho mơ hình phân loại • Các đường cong ROC tạo để trình bày hiệu suất mơ hình cho lớp • Thuật toán đạt AUC 0.98, 0.77 0.80 tương ứng cho lớp 0, lớp lớp Hiệu suất mơ hình phân vùng ảnh - IoU Hiệu suất thuật toán phân vùng đánh giá Intersection over Union (IoU) cho lớp tập huấn luyện, tập thẩm định tập thử nghiệm Dataset Glomerulus Healthy tubules Necrotic tubules Tubules with cast Training set 0.9148 0.8932 0.8558 0.9397 Validation set 0.9343 0.9062 0.8294 0.9350 Test set 0.8474 0.7931 0.7279 0.7837 Hiệu suất mơ hình học sâu để phân đoạn đa lớp đánh giá số IoU DC 199 hình ảnh tổn thương ống thận cấp nhuộm PAS tập thử nghiệm Hiệu suất mô hình phân vùng ảnh - Dice coefficient Hiệu suất thuật toán phân vùng đánh giá Dice coefficient (DC) cho lớp tập huấn luyện, tập thẩm định tập thử nghiệm Dataset Glomerulus Healthy tubules Necrotic tubules Tubules with cast Training set 0.9423 0.9412 0.8879 0.9659 Validation set 0.9648 0.9498 0.8549 0.9599 Test set 0.9023 0.8825 0.8107 0.8595 Giá trị IoU DC cao thu mơ hình dự đốn lớp “cầu thận”, lớp “ống thận lành”, “ống thận kèm trụ niệu” “ống thận hoại tử” Hiệu suất mơ hình phân vùng ảnh cho tất lớp Metric Training set Validation set Test set IoU 0.8553 0.8529 0.7256 DC 0.9067 0.9034 0.8185 Hiệu suất tổng thể đánh giá đồng thời lớp thuật toán phân vùng số IoU thử nghiệm 0,7256, DC 0,8185 Performance of segmentation model Hình ảnh mơ bệnh học thận nhuộm PAS, hình ảnh cấu trúc thích người hình ảnh cấu trúc máy dự đoán tập thử nghiệm PAS-stained image Ground truth mask Predicted mask Performance of segmentation model Hình ảnh mơ bệnh học thận nhuộm PAS, hình ảnh cấu trúc thích người hình ảnh cấu trúc máy dự đoán tập thử nghiệm PAS-stained image Ground truth mask Predicted mask Performance of segmentation model Hình ảnh mơ bệnh học thận nhuộm PAS, hình ảnh cấu trúc thích người hình ảnh cấu trúc máy dự đốn tập thử nghiệm PAS-stained image Ground truth mask Predicted mask IV BÀN LUẬN So sánh giá trị Dice coefficient với nghiên cứu trước Hermsen et al 2019 Bouteldja et al 2021 Glomerulus (DC) Tubules (DC) Healthy mouse 96.5 93.2 UUO 97.5 90.9 0.86 IRI 96.0 90.2 Distal tubules 0.82 Adenine 98.8 93.0 Atrophic tubules 0.48 Alport 94.7 90.6 Undefined tubules 0.32 NTN 95.5 93.2 Class DC Glomerulus 0.95 Tubule combined 0.93 Proximal tubules Mouse models Our study Class DC Glomerulus 0.9023 Healthy tubules 0.8825 Necrotic tubules 0.8107 Tubules with cast 0.8595 Theo hiểu biết chúng tôi, chưa có mơ hình phân vùng phát triển để xác định cấu trúc ống thận bất thường tổn thương thận cấp Nghiên cứu chúng tơi nghiên cứu sử dụng mơ hình Deep Learning để phân loại mức độ tổn thương phân vùng cấu trúc tổn thương ống thận cấp hình ảnh nhuộm PAS số hóa Chúng tơi thành cơng ứng dụng mơ hình Deep Learning để xác định dạng cấu trúc điển hình tổn thương ống thận cấp chất độc bao gồm cầu thận, ống thận lành, ống thận hoại tử ống thận kèm trụ niệu Giới hạn, khắc phục hướng nghiên cứu • Hiệu suất mơ hình phân loại mức độ tổn thương cho độ độ hạn chế, nguyên nhân liệu chưa đủ lớn, số lượng ảnh lớp chưa cân thuật tốn chưa thật tối ưu • Trong nghiên cứu chúng tơi, mơ hình Deep Learning phát triển để đánh giá hình ảnh mơ học hoại tử ống thận cấp cisplatin mẫu thận chuột • Số lượng WSI hình ảnh tạo nghiên cứu chúng tơi cịn hạn chế Để đạt hiệu suất cao việc đào tạo mơ hình, chúng tơi xây dựng liệu lớn với nhiều thích thực Chúng phát triển kỹ thuật liệu sinh thiết thận người tương lai V KẾT LUẬN Mơ hình dự đốn Deep Learning xác định rõ cấu trúc mô bệnh học phân loại mức độ tổn thương ống thận tổn thương ống thận cấp, qua góp phần đánh giá bệnh lý thận hiệu