Machine function based on pre-implantation kidney images learning model to predict delayed graft

• Grant number: 24/06622-8
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: June 01, 2024
• End date: October 13, 2024
• Field of knowledge: Health Sciences - Medicine
• Principal Investigator: Luís Gustavo Modelli de Andrade
• Grantee: Iago Mathias Garcia
• Host Institution: Hospital das Clínicas da Faculdade de Medicina de Botucatu. Universidade Estadual Paulista (UNESP). Campus de Botucatu. Botucatu , SP, Brazil
• Associated research grant: 23/13415-6 - Machinfunction based on pre-implantation kidney imagese learning model to predict delayed graft, AP.R

Abstract

Introdução: A inteligência artificial, atualmente, está sendo usada para aprender padrões a partir de imagens e relacioná-las aos desfechos clínicos. Os recentes aumentos na capacidade computacional e no volume de dados levaram ao desenvolvimento substancial de técnicas de aprendizado de máquina na solução de problemas de grande relevância na área da saúde. No caso do transplante renal, um dos principais problemas é a função tardia do enxerto, fator de difícil predição e que impacta diretamente na sobrevida do enxerto. Objetivo: Criar modelos para predizer função tardia do enxerto renal com base em imagens pré-implantação do órgão de doador falecido e combinando-as com as características clínicas. O primeiro, a partir de imagens pré-implante captadas por smartphone associadas da função tardia do enxerto e um segundo associando as imagens com dados clínicos do doador/receptor associadas da função tardia do enxerto Materiais e métodos: Serão recuperadas um total de 1500 fotos dos enxertos pré-implante de diferentes receptores. As fotos poderão ser obtidas a partir de diferentes tipos de smartphones a distância aproximada de 30 cm pelos membros das equipes de transplante nos centros de transplante renal. Também serão coletadas informações dos prontuários médicos. Um modelo baseado em rede neural convolucional (CNN) será usado para extrair as características das imagens, de forma que informações importantes possam ser obtidas para ajuste de regressão. Os modelos CNN utilizados neste estudo para avaliação das imagens serão de 5 arquiteturas: VGG-face, VGG16, ResNet50, DenseNet121 e MobileNet. Para a tarefa de classificação, empregamos cinco algoritmos de classificação diferentes: SVM, K-Nearest Neighbor (KNN), Regressão Linear (LR), Árvore de Decisão (DT) e Análise Discriminante Linear (LDA). Durante o treinamento, os recursos serão divididos em duas amostras:70% para treinamento e 30% para teste. Além disso, usando a divisão de 20%, cada classificador será treinado usando validação cruzada k fold, com k=5. Finalmente, para tarefas de previsão de regressão, o erro absoluto médio (MAE), erro quadrático médio (RMSE), valor R-quadrado e pontuação de variância explicada (EVS) serão calculados. A precisão será avaliada pela área sob a curva ROC (AUC). Conclusão: Apesar de já identificados inúmeros fatores que interferem na função renal após o transplante, ainda não existe um modelo confiável para prever os resultados funcionais do aloenxerto. Neste contexto, a inteligência artificial ascendeu com potencial de resolver esse problema.