Avance del diagnóstico de la enfermedad renal pediátrica con IA: un avance colaborativo del KFBIO y el Hospital Infantil de Zhejiang

La enfermedad renal pediátrica plantea un importante desafío para la salud mundial, que a menudo progresa silenciosamente y requiere una intervención diagnóstica precisa. El análisis de biopsia renal tradicional requiere mucho tiempo, trabajo y está sujeto a la variabilidad humana. Para abordar estos desafíos, KFBIO se asoció con el Hospital Infantil de la Facultad de Medicina de la Universidad de Zhejiang para desarrollar un innovador sistema de inteligencia artificial (IA) diseñado para ayudar a los patólogos a diagnosticar enfermedades renales pediátricas con una precisión y velocidad sin precedentes.

El desafío: diagnosticar la enfermedad renal pediátrica

La Enfermedad Renal Crónica (ERC) afecta a millones de niños en todo el mundo, con síntomas que van desde hematuria y proteinuria hasta retraso del crecimiento. Un diagnóstico preciso generalmente requiere una biopsia renal y un examen detallado realizado por nefropatólogos especialistas, un proceso que es a la vez tedioso y propenso a la inconsistencia. Con una creciente escasez de patólogos a nivel mundial y un número cada vez mayor de casos de ERC pediátrica, existe una necesidad urgente de herramientas de diagnóstico inteligentes y automatizadas.

Presentamos APKD: el sistema de diagnóstico renal pediátrico basado en inteligencia artificial

En respuesta, KFBIO y el Hospital Infantil de Zhejiang desarrollaron conjuntamente elDiagnóstico renal pediátrico (APKD) basado en IAsistema: un marco de aprendizaje profundo capaz de segmentar, clasificar y cuantificar estructuras renales a partir de imágenes de diapositivas completas (WSI). El sistema fue entrenado en un sólido conjunto de datos de2.935 pacientes pediátricosy93.932 estructuras histológicas anotadas manualmente, lo que lo convierte en uno de los modelos de IA renal pediátrica más completos hasta la fecha.

Cómo funciona APKD: un marco de IA de múltiples módulos

APKD integra cuatro módulos de IA especializados:

1. Segmentación de la estructura renal– Identifica arterias, túbulos, glomérulos y haces glomerulares.

2. Segmentación de núcleos– Detecta y cuenta núcleos celulares dentro de muestras de tejido.

3. Clasificación de la media luna glomerular– Distingue entre glomérulos semilunares y no semilunares, clave para diagnosticar la nefritis progresiva.

4. Segmentación de la región mesangial/endotelio– Identifica áreas de hipercelularidad en imágenes teñidas con PAS.

El sistema utiliza un personalizadoSCNet con columna vertebral ResNet50, que superó a otros cinco modelos de última generación con una precisión media media (mAP) de94%en todas las estructuras renales, incluido un caso excepcional99% de precisión para la detección de glomérulos.

Aspectos destacados del rendimiento clave

• Precisión de detección de glomérulos del 99%– Alineación casi perfecta con las anotaciones patológicas.

• Fuerte correlación con la detección manual– Coeficiente de correlación de Spearman de 0,98, ICC de 0,98.

• 5,5 veces más rápido que el análisis manual– APKD procesa diapositivas en un promedio de 7 segundos frente a los 37 segundos de los patólogos.

• Extracción integral de características– Cuantifica 58 características patológicas, incluido el tamaño glomerular, la celularidad, la formación de media luna y las métricas tubulares.

Validación clínica y conocimientos pediátricos

El modelo se validó en una cohorte independiente de 1.625 casos retrospectivos, mostrando un rendimiento consistente y confiable en diversas enfermedades renales pediátricas, incluida la nefropatía por IgA, HSPN y glomerulonefritis proliferativa mesangial. Además, APKD permitió obtener conocimientos cuantitativos novedosos, como la correlación entre el tamaño glomerular y la edad del paciente, un hallazgo consistente con estudios anteriores en adultos pero recientemente confirmado en niños.

Por qué es importante esta colaboración

La mayoría de los modelos de patología renal de IA se han entrenado con datos de adultos, lo que deja un vacío en los diagnósticos específicos de pediatría. Esta colaboración marca un paso significativo haciapatología de IA centrada en los niños, que explica las variaciones del desarrollo en la estructura renal y la presentación de la enfermedad.

Los escáneres de diapositivas KF-PRO-400 de alto rendimiento de KFBIO proporcionaron las diapositivas digitales de alta resolución necesarias para entrenar APKD, mientras que el Hospital Infantil de Zhejiang aportó una profunda experiencia clínica y una de las bases de datos de biopsias renales pediátricas más grandes de China.

Direcciones futuras e investigación en curso

Si bien APKD representa un avance importante, el equipo continúa ampliando las capacidades del modelo. El trabajo futuro incluye:

• Recopilación de datos multicéntricos en hospitales chinos

• Integración de tintes adicionales (Plata, Tricromo)

• Segmentación de podocitos y otros tipos de células específicas.

• Incorporación de datos clínicos para apoyo al diagnóstico holístico.

Conclusión

La colaboración entre KFBIO y el Hospital Infantil de Zhejiang ha dado como resultado una herramienta de inteligencia artificial potente y validada que mejora la precisión, la coherencia y la eficiencia del diagnóstico de la enfermedad renal pediátrica. Al combinar IA de vanguardia con un conocimiento clínico profundo, APKD no solo apoya a los patólogos sino que también allana el camino para una atención nefrológica pediátrica más personalizada y proactiva.

Acceda al conjunto de datos publicado y obtenga más información:
https://github.com/ChunyueFeng/Kidney-DataSet

Feng, C., Ong, K., Young, D. M., Chen, B., Li, L., Huo, X., Lu, H., Gu, W., Liu, F., Tang, H., Zhao, M., Yang, M., Zhu, K., Huang, L., Wang, Q., Marini, G. P. L., Gui, K., Han, H., Sanders, S. J., Li, L., Yu, W., & Mao, J. (2024). Cuantificación y evaluación asistida por inteligencia artificial de imágenes de portaobjetos completos para el diagnóstico de enfermedad renal pediátrica. Bioinformática, btad740.https://doi.org/10.1093/bioinformatics/btad740