La nefritis autoinmune (NA) es una enfermedad inflamatoria crónica de los riñones que ocurre con frecuencia (del 40 % al 60 %) en personas que padecen lupus eritematoso sistémico (LES).1 Cerca del 30 % de los pacientes con NA desarrollan insuficiencia renal; tras ello, sólo es posible el tratamiento por diálisis o trasplante renal. Uno de los objetivos de la investigación del lupus es acelerar el proceso de identificación y evaluación de la NA a través de muestras de biopsia que permitan aumentar el potencial de detección temprana y mejorar el pronóstico de la enfermedad.
Desafíos al evaluar las muestras de la nefritis autoinmune (NA)
La NA causa un amplio espectro de lesiones, lo que se traduce en daño tisular. Estas pueden ser observadas a partir de muestras de biopsia renal bajo un microscopio óptico. La evaluación de las lesiones renales y una clasificación adecuada de la NA se describen de forma general en la clasificación de la Sociedad Internacional de Nefrología (ISN) y de la Sociedad de Patología Renal (RPS). Los patólogos emplean este sistema de clasificación para determinar la fase de la enfermedad.
Por ejemplo, la Figura 1 expone muestras de riñón provenientes de pacientes en la fase temprana de NA - Clase 1, sin cambios glomerulares significativos en comparación con individuos sanos. 2
Figura 1. Muestra de biopsia renal con NA de Clase 1 y tinción de metenamina de plata de Jones.
Mientras tanto, en la Figura 2, las muestras de pacientes en etapa avanzada de LN clase 5 muestran orificios difusos (flecha azul) y pequeños picos (flecha roja) a lo largo de las membranas basales glomerulares.3
Figura 3. Flujo de trabajo del MRPS en la evaluación patológica mediante el aprendizaje profundo.
Gracias al escáner de portaobjetos dedicado a la investigación SLIDEVIEW™ VS200, el Dr. Shen junto a un equipo de investigadores llevaron a cabo 199 procesamientos de portaobjetos completos de alta resolución en tejidos renales de ratones sanos y con NA, usando la técnica de coloración Schiff. Los investigadores clasificaron las imágenes en cinco categorías diferentes, formulando una puntuación de 0 para los ratones sanos y una puntuación de 4 para los ratones con la NA avanzada. Tras ello, las imágenes fueron divididas en un grupo para la formación neuronal y en un grupo para la validación.
Con el marcado manual respectivo de los glomérulos y las células glomerulares, los investigadores pudieron usar la tecnología de aprendizaje profundo TruAI™ para generar dos redes neuronales (NN) a partir del grupo de formación: una NN glomerular y una NN celular.
A continuación, las redes neuronales fueron aplicadas al grupo de validación con el fin de extraer múltiples características glomerulares y celulares de cada imagen, tal y como se muestra en la Figura 4.4
Figura 4. Aplicación de las redes neuronales formadas en una imagen de validación representativa. a. Todos los glomérulos fueron identificados con cian b. Todos los núcleos celulares renales fueron identificados con magenta. c. El glomérulo y el núcleo celular identificados fueron medidos en la región de interés (ROI). La red neuronal glomerular proporcionó una ROI para el recuento; la red neuronal celular contó todos los núcleos dentro de la ROI.
El perímetro, el factor de forma, el diámetro interno mínimo, el diámetro mínimo y la cantidad de objetos en cada característica son variables independientes que indican la gravedad de la NA. En función de los parámetros anteriores, los investigadores desarrollaron un modelo de puntuación, que asistió correctamente en la evaluación y se relacionó positivamente con la puntuación establecida por los investigadores.
El potencial del aprendizaje profundo de la TruAI™ en los análisis de imágenes
Este estudio muestra que es posible un análisis reproducible y de alto rendimiento de las muestras patológicas gracias a la tecnología de aprendizaje profundo. Esto es preciado en la investigación básica donde se requiere un análisis del procesamiento de portaobjetos completos de alto rendimiento. El aprendizaje profundo también puede aplicarse a otros modelos y enfermedades, y tiene el potencial de reducir significativamente la carga de trabajo de los investigadores y aumentar la precisión cuantitativa durante el análisis.
Agradecimientos:
Agradecemos al Dr. Shen Luping por escribir la primera versión de este artículo, publicado en Make it Evident丨TruAI 加速狼疮肾炎病理学诊断 (qq.com).
Referencias bibliográficas:
- (PDF) Deep Learning-Based Model Significantly Improves Diagnostic Performance for Assessing Renal Histopathology in Lupus Glomerulonephritis (researchgate.net) [Trad. sug. Modelo basado en el aprendizaje profundo para mejorar significativamente el rendimiento de las pruebas de diagnóstico al evaluar la histopatología renal en la glomerulonefritis autoinmune (researchgate.net)]
- AJKD Atlas of Renal Pathology: Minimal Mesangial and Mesangial Proliferative Lupus Nephritis (ISN/RPS Class I and II) - American Journal of Kidney Diseases
- AJKD Atlas of Renal Pathology: Membranous Lupus Nephritis, ISN/RPS Class V - American Journal of Kidney Diseases
- Material complementario: Deep Learning-Based Model Significantly Improves Diagnostic Performance for Assessing Renal Histopathology in Lupus Glomerulonephritis (figshare.com)
