La matriz de coocurrencia de nivel de gris y los análisis de ondículas revelan cambios discretos en los núcleos de las células del túbulo proximal después de una lesión renal aguda leve

Aunque la AKI es muy variable en su presentación clínica, el daño al epitelio del túbulo proximal es un sello significativo de la condición que puede manifestarse a través de varios mecanismos que provocan lesiones prerrenales, intrínsecas y posrenales. Por ejemplo, el grado de lesión, la gravedad clínica y la progresión de AKI están asociados con la duración de IRI. La comprensión actual de AKI se ha desarrollado a través de una extensa investigación que utiliza modelos animales, particularmente especies de ratones y ratas, y la capacidad de inducir de manera rápida y confiable daño leve, moderado y severo en los PTC mediante la administración de nefrotoxinas en varias dosis.²⁷ y modulando la duración necesaria para inducir IRI²⁸. Sobre la base de estos hechos, en este trabajo, demostramos la capacidad de la matriz de coocurrencia de nivel de gris y los métodos de transformación de wavelet discreta para detectar cambios estructurales sutiles en los núcleos de PTC después de una LRA prerrenal leve.

La creatinina sérica y el nitrógeno ureico en sangre son biomarcadores funcionales convencionales de LRA^29,23,24,33. Estas elevaciones máximas de creatinina sérica y nitrógeno ureico en sangre 24 horas después de la IRI y el regreso gradual a la línea de base dentro de una semana son características distintivas de este modelo19. Además, observamos un aumento de más de 1,5 veces en SCr (aproximadamente 2) pero de menos de 20:1 (aproximadamente 19:1) para BUN:SCr, lo que indica una lesión que está a punto de progresar a una más grave. condición³⁴. El examen de las imágenes recopiladas de animales simulados y con lesiones leves mostró que los indicadores GLCM nucleares más críticos, como el segundo momento angular y el momento de diferencia inversa, cambian significativamente como resultado de AKI leve, lo que indica el aumento de la textura nuclear. Hasta donde sabemos, este es el primer estudio que combina indicadores GLCM y energías de coeficiente DWT para revelar alteraciones discretas relacionadas con AKI en la arquitectura nuclear PTC. También proponemos modelos hipotéticos de aprendizaje automático basados ​​en máquinas de vectores de soporte, bosques aleatorios y regresión logística, que podrían, en el futuro, usarse como parte de sistemas de detección de IA computacional precisos con fines de diagnóstico.

Probablemente, el aspecto más importante de nuestro estudio es que demostramos que los métodos computacionales son superiores para detectar alteraciones discretas relacionadas con AKI en los núcleos de PTC en comparación con la evaluación microscópica subjetiva. En general, los cambios histológicos después de la LRA suelen ser relativamente pequeños, incluso cuando los indicadores fisiológicos y bioquímicos de la función renal indican un daño grave. Tales subtítulos fueron demostrados previamente en numerosas ocasiones, e incluso algunos autores afirman que esta es una de las razones por las que muchos casos de necrosis tubular aguda no son diagnosticados adecuadamente. Por ejemplo, Ho y Morgan (2022) afirman que “los cambios histológicos renales en AKI son desproporcionadamente leves en comparación con la reducción correspondiente en la tasa de filtración glomerular” y que esto es un problema potencial en los protocolos de nefropatología.

La evaluación subjetiva de los patrones de cromatina nuclear reveló que incluso un profesional con experiencia en microscopía de cromatina no podría determinar con éxito si el PTC pertenecía al AKI o al grupo de control. Los fenómenos asociados con la lesión nuclear, como la condensación y la marginación de la cromatina, no fueron visibles ni identificables por medios convencionales. Como se menciona en los resultados, solo el 10,7% de los ROI nucleares se identificaron correctamente como pertenecientes a la clase AKI (verdaderos positivos), que podrían funcionar mejor cuando esta evaluación subjetiva se considera un modelo estadístico. La precisión de clasificación resultante, bajo la curva ROC de menos del 60%, confirma un poder discriminatorio deficiente para separar los PTC AKI de los no AKI. Por otro lado, incluso el modelo de aprendizaje automático con peor rendimiento basado en un enfoque de regresión logística relativamente simple presentó una precisión de 0,69 con un área bajo la curva ROC de 0,78, que es un rendimiento considerablemente mejor.

El modelo de bosque aleatorio es el más adecuado para el desarrollo futuro de sistemas de detección avanzados basados ​​en IA para detectar células renales dañadas. Esta característica probablemente se deba a las características metodológicas específicas de este método de aprendizaje por conjuntos, donde se construyen múltiples árboles de decisión durante el entrenamiento, lo que reduce la posibilidad de sobreajuste. En el futuro, este modelo tendría que ser entrenado y validado en una muestra mucho más grande y en un entorno diferente donde se utilice un número mucho mayor de animales de experimentación. Después de eso, se puede prever la creación de una aplicación informática sencilla, asequible y fácil de usar que podría utilizarse como complemento a la evaluación patológica convencional de las muestras de biopsia.

En nuestros artículos anteriores, aplicamos enfoques similares de GLCM para analizar las alteraciones de la arquitectura vascular renal.³⁵destacando su potencial aplicación en la caracterización de andamios de órganos completos19 que pueden generarse para el desarrollo de riñones bioartificiales³⁶. Usando esta técnica, también examinamos los núcleos celulares después del daño inducido por la exposición a una dosis tóxica subletal de etanol.¹². Calculamos el segundo momento angular, el momento de diferencia inversa, el contraste textural, la correlación GLCM y la varianza en un modelo experimental de saccharomyces cerevisiae, y demostramos que estas características cambian significativamente después del tratamiento con alcohol. Este tipo de daño celular también se asoció con la reducción de la homogeneidad y uniformidad de la textura, lo que nos lleva a creer que estos cambios en los patrones de textura nuclear generalmente están relacionados con el daño celular. De manera similar, como en el presente estudio, propusimos varios modelos de aprendizaje automático, como los basados ​​en regresión logística, árboles de decisión y redes neuronales artificiales.¹². A pesar de las aparentes diferencias en el enfoque metodológico y el protocolo experimental entre los dos trabajos, esta suposición merece ser investigada en futuras investigaciones. El modelo de bosque aleatorio es el más adecuado para el desarrollo futuro de sistemas de detección avanzados basados ​​en IA para detectar células renales dañadas. Esta característica probablemente se deba a las características metodológicas específicas de este método de aprendizaje por conjuntos, donde se construyen múltiples árboles de decisión durante el entrenamiento, lo que reduce la posibilidad de sobreajuste. En el futuro, este modelo tendría que ser entrenado y validado en una muestra mucho más grande y en un entorno diferente donde se utilice un número mucho mayor de animales de experimentación. Después de eso, se puede prever la creación de una aplicación informática sencilla, asequible y fácil de usar que podría utilizarse como complemento a la evaluación patológica convencional de las muestras de biopsia.

Uno de los primeros artículos de investigación sobre la aplicación de GLCM en la evaluación histológica del tejido renal se publicó en 2013. Se cuantificaron indicadores como el segundo momento angular y el momento de diferencia inversa para evaluar la arquitectura de la cromatina en las células de la mácula densa durante el desarrollo posnatal y el envejecimiento de los ratones.^37,38. Las características texturales se evaluaron junto con la dimensión fractal y la laguna como indicadores de complejidad. Aunque no se detectaron cambios estadísticamente significativos en los valores de ASM e IDM, la investigación tiene cierto valor, ya que fue la primera en mostrar que el análisis GLCM no solo es posible en el tejido renal, sino que también es aplicable para evaluar la alteración estructural en los núcleos celulares. Los resultados mostraron que los patrones nucleares de las células renales después de la tinción histológica convencional podrían usarse para obtener datos GLCM de alta calidad para cuantificar la uniformidad y homogeneidad de la textura nuclear.

Nuestro estudio actual es también uno de los muchos que utilizan el método computacional GLCM para detectar AKI. Previamente, las características texturales como el contraste de GLCM y la correlación de GLCM se cuantificaron en la médula renal después de inducir IRI en ratas sujetando ambos pedículos vasculares renales y la reperfusión posterior con solución salina.³⁹. Se demostró que tanto las funciones CON como COR tenían un poder discriminatorio excelente para separar el tejido medular lesionado del control, con un área bajo la curva característica operativa del receptor superior al 85 % en ambos casos. El valor del estudio se refleja en el hecho de que el alto rendimiento del método se logró sin necesidad de entrenar modelos de aprendizaje automático. Los resultados identificaron parámetros fractales y GLCM como candidatos adecuados para desarrollar biosensores computacionales en nefropatología.

En nuestro estudio actual se detectaron varias explicaciones potenciales para los cambios relacionados con AKI en los patrones de textura nuclear de PTC. En primer lugar, es posible que la AKI condujera a la redistribución de la eucromatina y la heterocromatina en las PTC, y que la redistribución fuera el resultado de un daño directo a la célula o de la activación de una vía de señalización. AKI se asocia con cambios epigenéticos a veces profundos, como explican en detalle otros autores⁶. Algunos genes regulados al alza durante la LRA pueden influir en la integridad y remodelación de la cromatina en escalas más altas. Aunque estos fenómenos generalmente no se notan durante la evaluación histopatológica estándar, los cambios posteriores en los patrones de textura pueden haberse detectado con GLCM y DWT. Además, se debe considerar que, en ocasiones, la eucromatina y la heterocromatina, al menos en el sentido ultraestructural, tienen diferentes niveles de complejidad fractal.⁴⁰, y estas diferencias en complejidad también pueden haberse reflejado en las características de GLCM y DWT en este entorno experimental. Desafortunadamente, aún no está claro en qué medida la fractalidad de la estructura nuclear influye en la GLCM textural y en los indicadores wavelet de la distribución de la cromatina.

Otra posibilidad es que la LRA leve en la corteza renal a veces se asocie con muerte celular programada. De hecho, los PTC son altamente susceptibles a la apoptosis, como se discutió anteriormente.⁴¹, y este tipo de muerte celular contribuye a la pérdida de funcionalidad renal durante la LRA. Por otro lado, algunos trabajos previos han sugerido que los indicadores de GLCM como el segundo momento angular y el momento de diferencia inversa disminuyen significativamente después del tratamiento celular con sustancias proapoptóticas.⁴². Durante las primeras etapas de la muerte celular programada, fenómenos como la condensación (inicial) y la marginación de la cromatina tal vez puedan conducir a una mayor heterogeneidad textural, detectable mediante GLCM y DWT. Los cambios en la proporción de eucromatina/heterocromatina asociados con el daño nuclear, que a menudo no son visibles durante el análisis microscópico convencional, también pueden afectar los indicadores de textura. Sin embargo, se necesita investigación adicional para confirmar esta suposición, particularmente en PTC y otras poblaciones de células en la corteza renal.

En el futuro, podría ser posible ampliar este tipo de investigación mediante el desarrollo de modelos de IA basados ​​en redes neuronales artificiales. Este enfoque podría incluir redes de perceptrones relativamente simples, redes neuronales complejas con inferencia bayesiana y redes neuronales convolucionales (CNN). La capa de entrada de neuronas en estos modelos podría recibir datos DWT y GLCM, pero también los datos de una matriz tridimensional de valores basados ​​en intensidades de luz roja, verde y azul. La inclusión de varias otras cuantificaciones de análisis de imágenes, como la dimensión fractal, la laguna y la granularidad, podría beneficiar aún más la capacidad de la red para distinguir las células dañadas de las intactas. Las redes neuronales convolucionales son de particular interés ya que se han aplicado con éxito para la clasificación de imágenes en numerosas ocasiones.^43,44. La creación de una CNN compleja que combine DWT y GLCM con otros parámetros de entrada podría conducir al desarrollo de un sistema de diagnóstico asistido por computadora sensible, preciso y asequible que podría ser una adición esencial a las prácticas actuales de nefropatología.

Nuestro estudio tuvo varias limitaciones significativas que deben discutirse y considerarse al realizar futuras investigaciones en esta área científica. En primer lugar, debe haber más datos bibliográficos sobre la garantía de calidad y la validez de los métodos GLCM y DWT en la investigación de nefropatología y nefrohistología. Las diferentes plataformas de software a menudo producen resultados diferentes y, según nuestra experiencia previa, los indicadores como el segundo momento angular y el momento de diferencia inversa pueden variar significativamente según la configuración y los parámetros del software durante la adquisición de micrografías. En segundo lugar, se debe enfatizar que los modelos de IA propuestos en esta investigación son solo hipotéticos, ya que fueron entrenados y probados en un número mínimo de ROI nucleares. Para aumentar la validez y probar el valor de diagnóstico de este enfoque, sería necesario desarrollar los modelos de aprendizaje automático en una muestra extensa de micrografías con un ROI correspondiente a una micrografía individual o incluso a un animal individual. Además, a partir de nuestra experiencia previa, los valores obtenidos a través de Los análisis de GLCM y DWT dependen en gran medida de la tinción histológica aplicada al tejido. En el futuro, uno podría considerar repetir los experimentos y utilizar otras técnicas como el ácido peryódico de Schiff, Sirius Red, Feulgen o Toluidine Blue. Solo entonces tendríamos una visión completa del valor científico real de los métodos computacionales GLCM y DWT.

Finalmente, una limitación significativa del estudio está relacionada con la dificultad de conectar los cambios observados en los indicadores nucleares GLCM y DWT con cualquier fenómeno fisiológico o patológico. Esta dificultad surge del hecho de que los métodos GLCM y DWT son relativamente nuevos en términos de sus aplicaciones en biología celular, por lo que aún se está determinando cómo se reflejan exactamente procesos como la apoptosis y la necrosis en las características nucleares. Como se mencionó anteriormente, se cree que la lesión nuclear conduce a una mayor heterogeneidad textural, que se manifiesta a través de la reducción de las características de GLCM, como el segundo momento angular y el momento de diferencia inversa. Sin embargo, los mecanismos biológicos detrás de estos cambios siguen sin explorarse.

En conclusión, presentamos evidencia de que los métodos computacionales GLCM y DWT pueden detectar alteraciones estructurales sutiles en los núcleos de PTC asociados con AKI. Después de cuantificar las características texturales como el segundo momento angular y el momento diferencial inverso de la arquitectura nuclear, concluimos que esta forma de lesión conduce al aumento de la heterogeneidad textural nuclear. Este cambio debe ser claramente visible durante una evaluación histopatológica convencional. Dado que este síndrome rara vez tiene un carácter único y diferenciado y es frecuente en pacientes sin enfermedad crítica, es fundamental que los profesionales sanitarios, especialmente los no especializados en enfermedades renales, lo detecten con facilidad.⁴⁵. Por lo tanto, proponemos la creación de modelos de IA que utilicen indicadores GLCM y DWT como datos de entrada, capaces de identificar AKI y clasificar PTC con una precisión y un poder discriminatorio mucho más notables en comparación con la evaluación subjetiva de patrones nucleares. Los resultados obtenidos presentan una base valiosa para futuras investigaciones sobre aplicaciones de IA en patología, nefrología y disciplinas relacionadas, y respaldan los regímenes actuales utilizados para tratar la LRA.