Die vorliegende Studie wurde unter Genehmigung des Ethikkomitees des Jeonbuk National University Hospital durchgeführt. Alle Methoden wurden gemäß den einschlägigen Richtlinien und Vorschriften durchgeführt. In einer früheren Studie wurden Nierenproben aus einem Mausmodell mit cisplatin-induzierter akuter tubulärer Verletzung gesammelt. Die Nierenproben stammten von männlichen C57BL/6-Mäusen im Alter von 8-9 Wochen und einem Gewicht von 20-25 g. Die Mäuse wurden in zwei Gruppen eingeteilt: Kontrollbuffer-behandelt und mit Cisplatin behandelt. Zur Bewertung der Nierenfunktion wurden Blutproben gesammelt, um die Serumkreatininspiegel zu messen. Bei einem Serumkreatininwert über 0,5 mg/dL wurde ein akutes Nierenversagen durch Cisplatin festgestellt.
Die Nierengewebe wurden in Formalin fixiert und in Paraffinblöcke eingebettet. Die Histologie wurde durchgeführt, um Nierentubulärverletzungen zu bewerten. Die Tubulärverletzungen wurden von drei blinden Beobachtern bewertet, die mindestens 20 kortikale Felder der gefärbten Nierensektionen untersuchten. Es wurden vier vordefinierte Klassen annotiert: Glomerulus, gesunde Tubuli, nekrotische Tubuli und Tubuli mit Güssen. Die Anmerkungen wurden in zwei verschiedene Abschnitte unterteilt: ein Trainingssubset bestehend aus 80% der Daten und ein Testsubset, das die verbleibenden 20% ausmachte. Nach der Feinabstimmung der Modellhyperparameter wurde das Trainingssubset in Training (80%) und Validierung (20%) unterteilt.
Die Histologiebilder wurden in RGB-Datenstrukturen dargestellt. Die Bilder wurden vor dem Einsetzen in das Deep-Learning-Modell für die Segmentierung auf 512×512 Pixel umskaliert. Drei verschiedene Augmentierungsmethoden wurden verwendet, um Überanpassungen aufgrund einer begrenzten Anzahl von Proben zu adressieren: horizontales Kippen, Rotation und Helligkeitsanpassung. Als Modell wurde DeepLabV3 verwendet, das eine Architektur mit Atrous Spatial Pyramid Pooling-Blöcken und dilatierten Konvolutionschichten verwendet. Die Leistung des Netzwerks wurde durch DICE- und IoU-Werte bewertet. Die Vergleiche wurden mit den Modellen U-Net und SegFormer durchgeführt, und statistische Analysen mit One-way-ANOVA (oder t-Tests) wurden verwendet, um die DeepLabV3, U-Net und Segformer zu vergleichen.