گردے ہسٹولوجیک پریمیٹوز کے خودکار حصے کے لئے گہری تعلیم کا اطلاق

رابطہ: آڈری ہو (واٹس ایپ:008613880143964) ای میل:audrey.hu@wecistanche.com

حصہ دوم: گردے کے کورٹیکس میں ہسٹولوجیک ڈھانچوں کی گہری تعلیم پر مبنی تقسیم کی ترقی اور تشخیص جس میں متعدد ہسٹولوجیک داغ ہوتے ہیں

کیتھرین پی جیاپنڈیان، ییانگ چن، اینڈریو آر جنوکزیک اور ایٹ ال۔

پوری سلائیڈ تصاویر سے ہسٹولوجیک پریمیٹیوز (ڈھانچوں) کی خودکار تقسیم (حدود کی وضاحت) کے لئے گہری تعلیم کا اطلاق گردے کی بائیوپسی تشخیص کے لئے نئے پروٹوکول کے قیام کو آسان بنا سکتا ہے۔ یہاں، ہم نے گردے کی بائیوپسیوں اور نیفریکٹومیز پر ہسٹولوجیک ڈھانچے کی تقسیم کے لئے گہرے سیکھنے کے نیٹ ورک تیار کیے اور ان کی توثیق کی۔ ترقی کے لئے، ہم نے 29 نیپچون اندراج مراکز میں جمع کی گئی کم سے کم تبدیلی کی بیماری کے لئے 125 بائیوپسیوں کا معائنہ کیا اور اس کے ساتھ ہیماٹوکسیلین اینڈ ایوسن (125)، پیریڈک ایسڈ شیف (125)، سلور (102) اور ٹرائیکروم (107) سے داغدار 459 پوری سلائیڈ تصاویر بھی شامل ہیں جو تربیت، توثیق اور جانچ کے سیٹوں (تناسب 6:1:3) میں تقسیم ہیں۔ ہسٹولوجیک ڈھانچے کو پانچ نیفروپیتھالوجسٹ وں نے دستی طور پر (30048 کل تشریحات) تقسیم کیا تھا۔ بیس گہرے سیکھنے کے ماڈلوں کو ڈھانچے اور داغوں میں بہترین ڈیجیٹل میگنیفیکیشن کے ساتھ تربیت دی گئی تھی۔ پیتھالوجیکل ایسڈ شیف داغ دار پوری سلائیڈ تصاویر نے تمام ڈھانچوں میں پیتھالوجسٹ اور گہری سیکھنے کی تقسیم کے درمیان بہترین ہم آہنگی حاصل کی (گلومیرلر ٹفٹس کے لئے ایف اسکور:0.93,0.94 گلومیرلر ٹفٹ کے لئے پلس بومین کے کیپسول، پراکسیمل ٹیوبلز کے لئے 0.91، ڈسٹل ٹیوبلر سیگمنٹس کے لئے 0.93، پیریٹیوبلر کیپیلریز کے لئے 0.81، اور شریانوں اور ایفرینٹ آرٹیریولز کے لئے 0.85)۔ بہترین ڈیجیٹل میگنیفیکیشنز گلومیرلر ٹفٹ/ٹفٹ پلس بومین کے کیپسول کے لئے 5ایکس، پراکسیمل/ ڈسٹل ٹیوبل، شریانوں اور ایفرینٹ آرٹیریولز کے لئے 10ایکس اور پیریٹیوبلر کیپلیریز کے لئے 40ایکس تھے۔ چاندی کے داغ دار پوری سلائیڈ تصاویر نے سیکھنے کی بدترین گہری کارکردگی حاصل کی۔ اس طرح، آج تک کے اس سب سے بڑے مطالعے نے متعدد داغوں اور پیتھالوجی لیبارٹریوں میں گردے کے ہسٹولوجیک ڈھانچے کی تقسیم کے لئے گہری تعلیم کو اپنایا۔ تربیت اور جانچ کے لئے استعمال ہونے والا تمام ڈیٹا اور ایک تفصیلی آن لائن ٹیوٹوریل عوامی طور پر دستیاب ہوگا۔

حقیقی فنکشن بہتری جڑی بوٹی:سستانچے

حصہ اول کے لیے یہاں کلک کریں۔

بحث

گردے کی بائیوپسی کی تشخیص دیگر سرجیکل پیتھالوجی نمونوں کے مقابلے میں منفرد ہے کیونکہ باقاعدگی سے استعمال ہونے والے مختلف داغ ہیں۔ مورفولوجیک تشخیص کا انحصار تیاریوں کے معیار، انفرادی ڈھانچوں اور اس سے وابستہ تبدیلیوں کا پتہ لگانے میں پیتھالوجسٹ کی مہارت اور ٹشو کے نقصان کی حد کو پکڑنے کے لئے استعمال ہونے والے مقداری یا نیم مقداری میٹرکس پر ہے۔ بصری ہسٹولوجیک مقداری تشخیص جیسے کچھ ہسٹولوجیک پریمیٹیوز کی گنتی، تقسیم اور مورفومیٹری گردے کی مختلف بیماریوں کے نتائج کی مضبوط پیشن گوئی کرنے والے کے طور پر جانا جاتا ہے۔10,17-23 تاہم مقداری تجزیہ انسانی آنکھ کے لئے ایک چیلنج ہے۔ ان میں سے کچھ قدیم (جیسے پیریٹیوبلر کیپیلریز) کو بصری یا منولی طور پر نہیں ماپا جا سکتا اور کمپیوٹیشنل الگورتھم کی مدد کی ضمانت نہیں دی جا سکتی۔ حالیہ مطالعات نے تجویز کیا ہے کہ کمپیوٹر ویژن ٹولز ڈیجیٹل پیتھالوجی کے ساتھ بیماری کی تشخیص کے لئے ٹرائیج اور فیصلہ معاون آلات کے طور پر کام کرسکتے ہیں۔

24~27

اس طرح، خودکار تصویر تجزیہ آلات کو نافذ کرنے اور متعدد اقسام کے داغوں میں ہسٹولوجیک پریمیٹوز کی موثر اور قابل اعتماد تقسیم کے لئے پیتھالوجی ورک فلو میں ضم کرنے کی ضرورت ہے۔ ڈی ایل سیگمنٹیشن ٹولز نہ صرف بصری بلکہ ذیلی بصری ہسٹومورفومیٹرک خصوصیات (جیسے شکل، کی اخذ کاری کو بہت آسان بنا سکتے ہیں، تشخیص اور نتائج کے ساتھ باہمی تعلق کے لئے متن، اور گراف کی خصوصیات)۔280 اس مطالعے میں کم سے کم تبدیلی کی بیماری (ایم سی ڈی) کے گردے کے پرنل پرنلی پریٹومیٹیو پر 6 ہسٹولوجیک پریمیٹوز کی مکمل تشریح کے لئے ڈی ایل الگورتھم فراہم کرکے بڑے پیمانے پر ٹشو پوچھ گچھ کے لئے کمپیوٹیشنل رینل پیتھالوجی کے چیلنجوں سے نمٹنے کی کوشش کی گئی ہے۔ 4 داغوں کی پوری سلائیڈ تصاویر (ڈبلیو ایس آئی) کا استعمال کرتے ہوئے اور 29 نیپچون اندراج مراکز میں پیدا. گزشتہ چند سالوں میں، متعدد مطالعات نے کم سطح کے امیج تجزیوں (یعنی پتہ لگانے، گروہ بندی اور ہسٹولوجیک پریمیٹوز کی درجہ بندی) اور اعلی سطحی پیچیدہ پیشن گوئی اور پیشن گوئی کے کاموں کے لئے ڈی ایل نیٹ ورکس کی افادیت کا مظاہرہ کیا ہے۔1-35 ہمارا مطالعہ گردے کی بائیوپسیوں کا سب سے بڑا، جامع ڈی ایل مطالعہ ہے، جو مختلف داغوں پر تیار کیے گئے الگورتھم پیش کرتے ہیں اور بڑی تعداد میں تشریح شدہ تصاویر کا استعمال کرتے ہیں، پہلے شائع ہونے والے لوگوں کے مقابلے میں۔ ہمارے کام سے بنیادی نتائج اور سائنفیکینٹ فائنڈنگز کو اگلے بیان کیا گیا ہے۔

موجودہ ادب سے موازنہ

پچھلے مطالعات 36–44 اور ہماری شراکت کے درمیان فرق کا خلاصہ ضمنی اعداد و شمار ایس 6 میں ہے۔

اس سے پہلے شائع ہونے والے مطالعات میں ایک واحد ہسٹولوجیک پریمیٹیو اور ایک ہی داغ پر توجہ مرکوز کی گئی ہے۔ مثال کے طور پر، مارش ایٹ ال نے ایچ ای 36 سے داغدار ٹرانسپلانٹ گردے کے منجمد حصوں میں عالمی گلومیروسکلیروسس کا پتہ لگانے کے لئے سی این این کا جائزہ لیا؛ کننا ایٹ ال نے ٹرائیکروم سٹینڈ ڈ فارملان ففکسڈ اور پیرافیفن ایمبیڈڈ گردے کے سیکشن37 سے عام، طبقاتی اور عالمی سطح پر اسکلیروزڈ گلومرولی میں امتیازی سلوک کرنے کے لئے سی این این کا جائزہ لیا؛ گیلیگو ایٹ ال نے پی اے ایس داغ دار حصوں پر گلومرولی کا پتہ لگانے کے لئے ڈی ایل کا اطلاق کیا؛ بیل

اس سے پہلے شائع ہونے والے مطالعات میں ایک واحد ہسٹولوجیک پریمیٹیو اور ایک ہی داغ پر توجہ مرکوز کی گئی ہے۔ مثال کے طور پر، مارش ایٹ ال نے ایچ ای 36 سے داغدار ٹرانسپلانٹ گردے کے منجمد حصوں میں عالمی گلومیروسکلیروسس کا پتہ لگانے کے لئے سی این این کا جائزہ لیا؛ کننا ایٹ ال نے ٹرائیکروم سٹینڈ ڈ فارملان ففکسڈ اور پیرافیفن ایمبیڈڈ گردے کے سیکشن37 سے عام، طبقاتی اور عالمی سطح پر اسکلیروزڈ گلومرولی میں امتیازی سلوک کرنے کے لئے سی این این کا جائزہ لیا؛ گیلیگو ایٹ ال نے پی اے ایس داغ دار حصوں پر گلومرولی کا پتہ لگانے کے لئے ڈی ایل کا اطلاق کیا؛ بیل ایٹ ال نے نیفریکٹومی کورٹیکس ٹشو کے پی اے ایس داغدار ڈبلیو ایس آئی کا استعمال کرتے ہوئے عام اور پیتھالوجیک ہسٹولوجیک ڈھانچوں کی تقسیم کا مظاہرہ کیا۔ تیمرنیک اوٹ ایٹ ال ایک ہی ٹشو کے مختلف داغ دار حصوں کے نتائج کا استعمال کرتے ہوئے 1 داغ دار پر گلومرلر کا پتہ لگانے کو بہتر بنانے کے لئے ایک ڈی ایل نقطہ نظر کا مظاہرہ کرتا ہے۔1 تمام 4 داغوں پر ہمارے ڈی ایل نیٹ ورکس مستقبل کی طبی تعیناتی کے لئے ایک پہلے قدم کی نمائندگی کرتے ہیں جس سے تشخیصی مقاصد کے لئے معمول کے مطابق استعمال ہونے والے تمام داغوں میں کئی عام ہسٹولوجیک پریمیٹوز کی مقدار مقرر کی جاتی ہے۔

ایک اور اہم عنصر جس پر بڑے پیمانے پر ڈی ایل نیٹ ورکس میں ان کے استعمال سے پہلے غور کرنے کی ضرورت ہے وہ یہ ہے کہ ان کا اطلاق کس طرح متفرق ڈیٹا سیٹوں پر کیا جاسکتا ہے۔ ہمارے ڈی ایل ماڈلز کو 4 داغوں کا استعمال کرتے ہوئے ٹشو کے حصول، پروسیسنگ اور سلائیڈ کی تیاری میں قبل از تجزیاتی تغیرات کے ساتھ ڈبلیو ایس آئی کے ایک بہت ہی متفرق سیٹ پر تربیت اور جانچ کی گئی تھی، اس طرح ملٹی سائٹ ترتیب میں ڈی ایل نقطہ نظر کے اطلاق کی سخت تشخیص کو آسان بنایا گیا تھا۔

ہسٹولوجیک پریمیٹیوز کی تقسیم کے لئے مختلف ڈی ایل طریقوں کا استعمال کیا گیا ہے، جیسے گڈرمیر ایٹ ال کی داغ دار آزاد گلومرلر تقسیم کے لئے پیدا کنندگان مخالف گہرے نیٹ ورکس کا اطلاق۔ بیل ایٹ ال نے ملٹی سینٹر سٹین ٹرانسفارمیشن کے لئے ڈی ایل ایپلی کیشنز میں سائیکل مستقل جنریٹیو مخالف نیٹ ورکس (سائیکل-جی اے این) کو ملازم رکھا۔ ہرمسن ایٹ ال نے پی اے ایس داغ پر 40 ٹرانسپلانٹ بائیوپسیوں کا استعمال کرتے ہوئے 7 ٹشو کلاسوں کی یو نیٹ پر مبنی تقسیم کا مظاہرہ کیا ہے۔2ہمارا نقطہ نظر، اس مطالعہ میں، بہترین ڈیجیٹل میگنیفیکیشن اور مختلف تعداد میں تشریحات کا استعمال کرتے ہوئے متعدد یو نیٹ پر مبنی ڈی ایل نیٹ ورک تیار کرنا تھا۔

پچھلے تمام کاموں میں ہمارے مطالعے (جدول 2) کے مقابلے میں گردے کی بائیوپسی/نیفریکٹومیز کے ڈبلیو ایس آئی کی نسبتا کم تعداد استعمال کی گئی ہے۔ ڈبلیو ایس آئی کے ایک بڑے ڈیٹا سیٹ کے استعمال نے ہمیں پیتھالوجسٹ کو ہر قدیم اور داغ کے لئے اچھی طرح سے تشریح شدہ تربیتی مثالی پیدا کرنے کے لئے بصیرت فراہم کرنے کی اجازت دی، نیز یو نیٹ سی این این (شکل 8) کا استعمال کرتے ہوئے بہترین نیٹ ورک کارکردگی کے لئے درکار تربیتی مثالوں کی تعداد بھی فراہم کی۔

انفرادی ہسٹولوجیک پریمیٹوز کی تقسیم اور ان کی پیتھالوجیکل تنوع کی خصوصیت کلینیکل پریکٹس میں ڈی ایل ماڈلز کی تعیناتی کے لئے اہم ہے۔12,43 اس کام میں پیدا ہونے والے ڈی ایل نیٹ ورکس ساختی طور پر عام ہسٹولوجیک پریمیٹوز کے لئے مخصوص ہیں، جیسے کہ ایم سی ڈی یا نیفریکٹومیز میں دیکھے جانے والے، اور بالغ اور پیڈیاٹرک رینل بائیوپسی دونوں پر لاگو کیے جا سکتے ہیں۔ جب ڈی ایل نیٹ ورکس کو نیفریکٹومی نمونوں سے گردے کے پرینچیما کے پیچوں پر آزمایا گیا تو ساختی طور پر عام ہسٹولوجیک پریمیٹوز کی خصوصیت برقرار رکھی گئی۔ اس مطالعے میں پیش کردہ ڈی ایل فریم ورک مستقبل میں ایسے نیٹ ورکس کی معماری کو بھی ممکن بنائے گا جو خاص طور پر خودکار گروہ بندی اور ساختی طور پر غیر معمولی ہسٹولوجیک پریمیٹوز کی تشخیص اور طبی نتائج کے ساتھ ان کے باہمی تعلق پر مرکوز ہیں۔

گردے کے فنکشن میں بہتری: سیستانچے ٹبلوسا عرق

ڈی ایل پر مبنی مختلف داغوں کی درجہ بندی

ہمارے مطالعے سے پتہ چلتا ہے کہ پی اے ایس داغ یو نیٹ ماڈل کا استعمال کرتے ہوئے ساختی طور پر عام ہسٹولوجیک پریمیٹوکی شناخت کے لئے بہترین موزوں ہے۔ اس کی وجہ یہ ہوسکتی ہے کہ پی اے ایس ٹی آر آئی یا ایس آئی ایل کے مقابلے میں پیتھالوجی لیبارٹریوں میں مستقل طور پر زیادہ ہم جنس نظر آتا ہے۔ پی اے ایس داغ دار ڈبلیو ایس آئی مختلف ڈھانچوں کے تہہ خانے کی جھلیوں کو اجاگر کرتا ہے، جو بدلے میں ہر ایک قدیم کی حد کی اعلی تعریف فراہم کرتا ہے جسے تقسیم کیا جائے۔ اس وجہ سے پی اے ایس واحد داغ تھا جو پیریٹیوبلر کیپیلریز کی تقسیم کے لیے استعمال کیا جاتا تھا۔ ہمارے نتائج کی بنیاد پر پی اے ایس اور ایچ ای کے داغوں نے گلومیرلر ٹفٹ اور یونٹ سیگمنٹیشن کے لئے بہتر کارکردگی کا مظاہرہ کیا، شریانوں/ شریانوں کے لئے پی اے ایس اور ٹی آر آئی، ٹیوبلر سیگمنٹس کے لئے پی اے ایس اور ایس آئی ایل اور پیریٹیوبلر کیپیلریز کے لئے پی اے ایس۔ ڈی ایل ماڈلز کے لئے بہترین ڈیجیٹل میگنیفیکیشن

ہمارے نتائج سے پتہ چلتا ہے کہ 256 ×256 کے متحد پیچ سائز کے ساتھ، ڈی ایل ماڈلز کے لئے بہترین میگنیفیکیشن 5× گلومرولی کے لئے، 10× ٹیوبلز اور جہازوں کے لئے، اور 40× کیپیلریز کے لئے (تصویر 1)۔ دلچسپ بات یہ ہے کہ زیادہ تر بہترین میگنیفیکیشنز ان میگنیفیکیشنز کے ساتھ ہم آہنگ تھے جو پیتھالوجسٹ انفرادی قدیم اتصالات کی تشریح کرتے وقت استعمال کرتے ہیں، سوائے گلومرولی کے جہاں پیتھالوجسٹ 15× سے 20× استعمال کرتے تھے۔ بڑے ڈھانچے جیسے گلومرولی، ٹیوبلز اور برتنوں کو نیٹ ورک نے داغ سے قطع نظر 5× سے 10× میگنیفیکیشن پر زیادہ واضح طور پر تقسیم کیا تھا۔ پیریٹیوبلر کیپیلریز جیسے چھوٹے ڈھانچوں کے لیے ڈی ایل کی درست تقسیم کے لیے بڑے ڈیجیٹل میگنیفیکیشن (40×) کی ضرورت تھی۔

سائٹس اور نوادرات میں ڈی ایل تقسیم کی کارکردگی ٹشو کی تیاری کی ہیٹروجینیٹی اور تجزیات کی معیاربندی کی کمی خاص طور پر ملٹی سینٹر مطالعات کے لئے متعلقہ ہے، جہاں پیتھالوجی مواد کئی لیبارٹریوں سے اکٹھا کیا جاتا ہے۔ توقع کے مطابق، ٹشو کی پیشکش اور شیشے، ٹشو اور اسکیننگ نوادرات میں متفرقت کا مشاہدہ کیا گیا، ہر ایک ڈی ایل کارکردگی میں متغیر تعاون کے ساتھ۔ مثال کے طور پر، اگرچہ عام طور پر ٹشو نوادرات ڈی ایل نیٹ ورکس پر محدود اثر انداز ہوتے تھے، لیکن سیکشن کی موٹائی کارکردگی کو متاثر کرتی نظر آئی۔ انفرادی نوادرات کا اثر ہسٹولوجیکل قدیم کے مقابلے میں بھی تھا؛ مثال کے طور پر، شیشے کے نوادرات نے شریانوں/ شریانوں اور قریبی ٹیوبلز کے لئے ڈی ایل کارکردگی پر معمولی منفی اثر دکھایا۔

مزید برآں، سائٹس پر ڈی ایل کی کارکردگی میں تغیر پذیری تھی، اور یہ تغیر پذیری ہسٹولوجیک پریمیٹیو انحصار (سپلیمنٹری فگر ایس 4) معلوم ہوتی تھی۔

تربیتی مثالوں کی تعداد کے ایک فنکشن کے طور پر ڈی ایل کارکردگی

ہمارے مقداری اعداد و شمار نے اس وجدانی مفروضے کی توثیق کی کہ ان قدیم وں کے لئے مزید مثالوں کی ضرورت ہے جن کی بصری شناخت کرنا زیادہ مشکل ہے (یعنی دلچسپی کے خطے [آر او آئی] کے کنارے پر مماسی طور پر کٹی ہوئی شریانیں/شریانیں یا قدیم(تصویر 8)۔ ان قدیم دور وں کے لیے جو بہت چھوٹے تھے یا ان کی وضاحت کی گئی تھی (یعنی پیریٹیوبلر کیپیلریز)، تفریق کی درستگی کو بہتر بنانے کے لیے علاج اور تطہیر تشریح ضروری تھی۔ گلومرلر ٹفٹس کی تقسیم کے لئے، نیٹ ورک ایک چھوٹی سی تعداد (60-183) کی تربیت کی مثالوں کے ساتھ زیادہ سے زیادہ درستگی کے لئے متحد ہو گیا؛ اضافی مثالوں کی شمولیت سے کارکردگی میں بہتری نہیں آئی۔ ٹیوبلز اور شریانوں/شریانوں کی تقسیم کے لئے، متعلقہ نیٹ ورکس نے مثالوں کی بڑھتی ہوئی تعداد کے ساتھ درمیانی کارکردگی میں معمولی بہتری دکھائی۔ اس کے برعکس ایف اسکور اور ڈی ایس سی (0.27-0.81) میں نمایاں اضافہ دیکھا گیا جس میں پیریٹیوبلر کیپلری مثالی کی تعداد میں 2.5 گنا اضافہ ہوا جو ایف اسکور میں اضافے کا لکیری دائرہ کار ہے جو مزید مثالوں کے ساتھ اس سے بھی بہتر درستگی کی نشاندہی کرتا ہے۔

تقسیم کے نتائج کی تشریح

نوادرات (یعنی ٹسو فولڈز، ناہموار داغ) کے ساتھ دلچسپی کے علاقوں میں کچھ غلط مثبت مشاہدہ کیا گیا، جو کمپیوٹیشنل ماڈلز (سپلیمنٹری فگر ایس 4) کی دعوت سے قبل سلائیڈ تصاویر کے ڈیجیٹل معیار کی تشخیص کی ضرورت کا اشارہ دیتا ہے۔ چند آر او آئی میں، ڈی ایل پیتھالوجسٹ کو پیچھے چھوڑتا نظر آیا- مثال کے طور پر، جب ایک شریان/آرٹیریول کا ایک چھوٹا سا حصہ آر او آئی کے کنارے پر تھا اور پیتھالوجسٹ کی طرف سے دستی طور پر زمینی سچائی کے طور پر تشریح نہیں کی گئی تھی کیونکہ ان کا پتہ لگانا بصری طور پر مشکل تھا۔ اس کی وضاحت شریانوں کی تقسیم کے لئے استعمال ہونے والے پروٹوکول سے کی جاسکتی ہے، جہاں پیتھالوجسٹ میں صرف شریانیں شامل تھیں جہاں دیوار (ٹونیکا میڈیا اور انٹیما) اور لومین نظر آتے تھے اور ٹونیکا میڈیا کی بیرونی حد کو تقسیم کرتے تھے۔ اس طرح، ٹونیکا میڈیا اور شریانوں کی انٹیما کا پتہ لگانے کے لئے تربیت یافتہ ماڈلز نے ٹونیکا میڈیا کے چھوٹے ٹکڑوں (شریان/آرٹیریولر وال مماثل طور پر کٹے ہوئے) کو لومین کی کمی کے باوجود شریانوں/شریانوں کے طور پر صحیح طور پر شناخت کیا (شکل 9)۔

مزید برآں، گردے کی بائیوپسی سیکشنز میں ٹبلز کو زیادہ تر لانگٹیوڈینل سیکشنز کے مقابلے میں ٹرانسورس میں دیکھا جاتا ہے۔ ابتدائی درجہ بندی کرنے والے نے کچھ لمبے عرصے تک سیکشن شدہ ٹیوبلز کو یاد کیا، زیادہ تر ایچ ای داغ دار تصاویر پر، کیونکہ ٹبول کی حدود کم تیز تھیں، اور ابتدائی تربیتی سیٹ میں لمبے عرصے تک سیکشن شدہ ٹیوبلز کو کم نمائندگی دی گئی تھی۔ تشریح اور نیٹ ورک کے عمل کو آسان اور بہتر بنانے کے لئے، ٹیوبلز کی یو نیٹ تقسیم سے وابستہ جھوٹی منفی غلطیوں کو پیتھالوجسٹ نے بصری طور پر شناخت کیا اور دستی طور پر بہتر بنایا، اور تازہ ترین تشریحات نیٹ ورک کو واپس کردی گئیں۔ پہلی تکرار کے دوران ڈی ایل الگورتھم (غلط مثبت) کے ذریعہ چند چھوٹے آرٹیریولز کو بھی غلط طور پر ڈسٹل ٹیوبلز کے طور پر شناخت کیا گیا تھا۔ ابتدائی درجہ بندی پیداوار کے جائزے پر پیتھالوجسٹ نے ان جھوٹی مثبت تشریحات کو ہٹا دیا تھا اور ڈی ایل الگورتھم کی جھوٹی مثبت اور منفی غلطیوں کو ختم کرنے کے لئے تجرباتی سیٹ اپ یا نیٹ ورک پیرامیٹرز کو تبدیل کیے بغیر دوبارہ تربیت کے لئے نیٹ ورک کو درست تصاویر واپس کردی گئیں۔45

موجودہ اشتراک رہنما خطوط کے مطابق، اس رپورٹ کے ساتھ، ہم اپنے تمام ڈیٹا اور اس کے ساتھ زمینی سچائی کی تشریحات کو کمیونٹی کے لئے عوامی طور پر دستیاب کرا رہے ہیں۔ اس کام کے حصے کے طور پر جاری کردہ آن لائن ضمنی مواد سے کمپیوٹیشنل رینل پیتھالوجی کے شعبے کو آگے بڑھانے اور تشریحات، افزائش، ′میگنیفیکیشنز اور سفارش کردہ داغ پیدا کرنے کے لئے بہترین طریقے فراہم کرنے کی توقع کی جاتی ہے تاکہ تقسیم کے کاموں کو بہترین طریقے سے انجام دیا جاسکے۔

آخر میں، یہ مطالعہ بڑے پیمانے پر ٹشو کوانٹیفیکیشن کی کوششوں میں مدد کرنے اور کلینیکل اور پیتھالوجی ورک فلو میں مشین ہیومن انٹرایکٹو پروٹوکول کے نفاذ کے لئے مشین لرننگ کلاسیفیئرز کو نافذ کرنے کی طرف ایک ٹھوس بنیاد کی نمائندگی کرتا ہے۔ ہسٹولوجیک پریمیٹوز کی ڈی ایل سیگمنٹیشن بائیوپسی تشریح کو فعال کرنے کے لئے ہسٹومورفومیٹرک خصوصیات کی شمارندی ماخوذ کو فعال کرتی ہے۔ مزید برآں، اس کام میں پیش کردہ فریم ورک مستقبل میں نئے ڈی ایل نیٹ ورکس کی ترقی کی راہ بھی ہموار کرے گا جو خاص طور پر (1) غیر معمولی یا پیتھالوجیک ہسٹولوجیک پریمیٹوز (یعنی عالمی اور سیگمنٹل سکلیروسس، گلومرلر پرپلیسیو فیچرز، جمع کرنے والی نالیاں، رگیں اور پیریفیرل اعصاب، ٹیوبلر ایٹروفی، انٹرسٹیکل فائبروسس، اور آرٹیریوسکلیروسس)، (آئی آئی)رینل کورٹیکس اور میڈلری کمپارٹمنٹس کی طرف تیار ہیں۔ اور (دوم) بیماریوں کا ایک وسیع سپیکٹرم۔ مزید برآں، یہ جدید طریقے مشین لرننگ ٹولز کی ترقی کی راہ ہموار کر سکتے ہیں جو بیماری کی پیشن گوئی فراہم کرتے ہیں یا یہاں تک کہ گردے 25,27,48 بیماریوں کے لئے طبی طور پر قابل عمل، غیر تباہ کن کمپیوٹیشنل پیتھالوجی پر مبنی امیجنگ تشخیصی بایومارکرز کے علاج کے ردعمل کی پیشن گوئی کرنے والی دریافت کی سہولت فراہم کرسکتے ہیں۔2

گردے کی بیماری کے لئے سیستانچے مؤثر

نوٹ: سیستانچے ایک ٹوبک جڑی بوٹی ہے جو صحراؤں میں اگتی ہے۔ اسے ڈریگن جڑی بوٹی اور صحرائی جن سینگ بھی کہا جاتا ہے۔ سیستانچے کے بہت سے اثرات ہیں جو پارموکولوجیکل مطالعات کے مطابق انسانی صحت کے لئے بہت اچھے ہیں، جیسے قوت مدافعت کو بہتر بنانا، تھکاوٹ کے خلاف اور گردے کے کام کو بہتر بنانا وغیرہ۔ چینگدو ویسیستانس پریمیم کوالٹی سیستانچے مصنوعات کی فراہمی پر توجہ مرکوز کر رہے ہیں۔