Preview

Вестник трансплантологии и искусственных органов

Расширенный поиск

Перспективы применения искусственных нейронных сетей для решения задач клинической трансплантологии

https://doi.org/10.15825/1995-1191-2021-2-177-182

Полный текст:

Аннотация

Ведение реципиентов солидных органов требует значительного объема исследований и наблюдений на протяжении всей жизни реципиента, что сопряжено с накоплением больших массивов информации, требующей структурирования и последующего анализа. Такие информационные технологии, как машинное обучение, нейронные сети и другие инструменты искусственного интеллекта, позволяют анализировать так называемые «большие данные». Технологии машинного обучения основаны на концепции машины, имитирующей человеческий интеллект, и позволяют выявлять закономерности, недоступные традиционным методам. Примеры применения программ искусственного интеллекта в трансплантологии пока немногочисленны, но в последние годы их число заметно увеличивается. Представлен обзор данных современной литературы по применению систем искусственного интеллекта в трансплантологии.

Об авторах

Р. М. Курабекова
ФГБУ «Национальный медицинский исследовательский центр трансплантологии и искусственных органов имени академика В.И. Шумакова» Минздрава России
Россия

Москва



А. А. Бельченков
ФГБУ «Национальный медицинский исследовательский центр трансплантологии и искусственных органов имени академика В.И. Шумакова» Минздрава России
Россия

Москва



О. П. Шевченко
ФГБУ «Национальный медицинский исследовательский центр трансплантологии и искусственных органов имени академика В.И. Шумакова» Минздрава России; ФГАОУ ВО Первый Московский государственный медицинский университет имени И.М. Сеченова Минздрава России (Сеченовский университет)
Россия

Шевченко Ольга Павловна

123182, Москва, ул. Щукинская, д. 1



Список литературы

1. Готье СB. Трансплантология XXI века: высокие технологии в медицине и инновации в биомедицинской науке. Вестник трансплантологии и искусственных органов 2017; 19 (3): 10–32.

2. Шевченко ОП, Курабекова РМ, Шевченко АО, Олефиренко ГА, Макарова ЛВ, Муминов ИИ и др. Биомаркеры у реципиентов сердца. Свидетельство о госрегистрации базы данных № 2015620209. 06.02.2015.

3. Курабекова РМ, Шевченко ОП, Цирульникова ОМ, Олефиренко ГА, Гичкун ОЕ, Цирульникова ИЕ и др. Биомаркеры у детей – реципиентов печени. Свидетельство о государственной регистрации базы данных № 2015620210. 06.02.2015.

4. Готье С, Стародубов В, Габбасова Л, Хомяков С, Кучерявый А, Минина М. Национальный трансплантационный регистр: состояние и перспективы развития. Вестник трансплантологии и искусственных органов. 2020; 22 (S): 5–7.

5. Ho DSW, Schierding W, Wake M, Saffery R, O’Sullivan J. Machine learning SNP based prediction for precision medicine. Frontiers in genetics. 2019; 10: 267.

6. Niel O, Bastard P. Artificial intelligence improves estimation of tacrolimus area under the concentration over time curve in renal transplant recipients. Transpl Int. 2018; 31 (8): 940–941. doi: 10.1111/tri.13271.

7. Ayllón MD, Ciria R, Cruz-Ramírez M, Pérez-Ortiz M, Gómez I, Valente R et al. Validation of artificial neural networks as a methodology for donor-recipient matching for liver transplantation. Liver Transpl. 2018; 24 (2): 192–203. doi: 10.1002/lt.24870.

8. Naushad SM, Kutala VK. Artificial neural network and bioavailability of the immunosuppression drug. Curr Opin Organ Transplant. 2020; 25 (4): 435–441. doi: 10.1097/MOT.0000000000000770.

9. Ferrarese A, Sartori G, Orrù G, Frigo AC, Pelizzaro F, Burra P et al. Machine learning in liver transplantation: a tool for some unsolved questions? Transpl Int. 2021; 34 (3): 398–411. doi: 10.1111/tri.13818.

10. Sapir-Pichhadze R, Kaplan B. Seeing the Forest for the Trees: Random Forest Models for Predicting Survival in Kidney Transplant Recipients. Transplantation. 2020; 104 (5): 905–906. doi: 10.1097/TP.0000000000002923.

11. Park SH, Mazumder NR, Mehrotra S, Ho B, Kaplan B, Ladner DP. Artificial Intelligence-related Literature in Transplantation: A Practical Guide. Transplantation. 2021; 105 (4): 704–708. doi: 10.1097/TP.0000000000003304.

12. Edwards AS, Kaplan B, Jie T. A Primer on Machine Learning. Transplantation. 2021; 105 (4): 699–703. doi: 10.1097/TP.0000000000003316.

13. Yu KH, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018; 2 (10): 719–731. doi: 10.1038/s41551-018-0305-z.

14. Hackeling G. Mastering Machine Learning with scikitlearn: Packt Publishing Ltd; 2017. [1788298497].

15. Rashidi HH, Tran NK, Betts EV, Howell LP, Green R. Artificial Intelligence and Machine Learning in Pathology: The Present Landscape of Supervised Methods. Acad Pathol. 2019; 6 (2374289519873088): Jan-Dec. doi: 10.1177/2374289519873088.

16. Liu Y, Chen PC, Krause J, Peng L. How to Read Articles That Use Machine Learning: Users’ Guides to the Medical Literature. Jama. 2019; 322 (18): 1806–1816. doi: 10.1001/jama.2019.16489.

17. Tharwat A. Classification assessment methods. Applied Computing and Informatics. 2020.

18. Harrell FE: Resampling, validating, describing, and simplifying the model. In: Regression modeling strategies. Springer; 2001: 87–103.

19. Strobl C, Malley J, Tutz G. An introduction to recursive partitioning: rationale, application, and characteristics of classification and regression trees, bagging, and random forests. Psychological methods. 2009; 14 (4): 323.

20. Breiman L. Random forests. Machine learning. 2001; 45 (1): 5–32.

21. Hummel AD, Maciel RF, Rodrigues RG, Pisa IT. Application of artificial neural networks in renal transplantation: classification of nephrotoxicity and acute cellular rejection episodes. Transplant Proc. 2010; 42 (2): 471– 472. doi: 10.1016/j.transproceed.2010.01.051.

22. Aubert O, Higgins S, Bouatou Y, Yoo D, Raynaud M, Viglietti D et al. Archetype Analysis Identifies Distinct Profiles in Renal Transplant Recipients with Transplant Glomerulopathy Associated with Allograft Survival. J Am Soc Nephrol. 2019; 30 (4): 625–639. doi: 10.1681/ASN.2018070777.

23. Zhou L, Tang L, Song AT, Cibrik DM, Song PX. A LASSO Method to Identify Protein Signature Predicting Post-transplant Renal Graft Survival. Stat Biosci. 2017; 9 (2): 431–452. doi: 10.1007/s12561-016-9170-z.

24. Yoo KD, Noh J, Lee H, Kim DK, Lim CS, Kim YH et al. A Machine Learning Approach Using Survival Statistics to Predict Graft Survival in Kidney Transplant Recipients: A Multicenter Cohort Study. Sci Rep. 2017; 7 (1): 017- 08008. doi: 10.1038/s41598-8.

25. Bhat V, Tazari M, Watt KD, Bhat M. New-Onset Diabetes and Preexisting Diabetes Are Associated With Comparable Reduction in Long-Term Survival After Liver Transplant: A Machine Learning Approach. Mayo Clin Proc. 2018; 93 (12): 1794–1802. doi: 10.1016/j.mayocp.

26. Doyle HR, Dvorchik I, Mitchell S, Marino IR, Ebert FH, McMichael J et al. Predicting outcomes after liver transplantation. A connectionist approach. Ann Surg. 1994; 219 (4): 408–415. doi: 10.1097/00000658-199404000-00012.

27. Hughes VF, Melvin DG, Niranjan M, Alexander GA, Trull AK. Clinical validation of an artificial neural network trained to identify acute allograft rejection in liver transplant recipients. Liver Transpl. 2001; 7 (6): 496– 503. doi: 10.1053/jlts.2001.24642.

28. Hoot N, Aronsky D. Using Bayesian networks to predict survival of liver transplant patients. AMIA Annu Symp Proc. 2005: 345–349.

29. Cruz-Ramírez M, Hervás-Martínez C, Fernández JC, Briceño J, de la Mata M. Predicting patient survival after liver transplantation using evolutionary multi-objective artificial neural networks. Artif Intell Med. 2013; 58 (1): 37–49. doi: 10.1016/j.artmed.2013.02.004.

30. Briceño J, Ayllón MD, Ciria R. Machine-learning algorithms for predicting results in liver transplantation: the problem of donor-recipient matching. Curr Opin Organ Transplant. 2020; 25 (4): 406–411. doi: 10.1097/MOT.0000000000000781.

31. Lau L, Kankanige Y, Rubinstein B, Jones R, Christophi C, Muralidharan V et al. Machine-Learning Algorithms Predict Graft Failure After Liver Transplantation. Transplantation. 2017; 101 (4): e125–e132. doi: 10.1097/TP.0000000000001600.

32. Dorado-Moreno M,Pérez-Ortiz M, GutiérrezPA,Ciria R, Briceño J, Hervás-Martínez C. Dynamically weighted evolutionary ordinal neural network for solving an imbalanced liver transplantation problem. Artif Intell Med. 2017; 77: 1–11. doi: 10.1016/j.artmed.2017.02.004.

33. Haydon GH, Hiltunen Y, Lucey MR, Collett D, Gunson B, Murphy N et al. Self-organizing maps can determine outcome and match recipients and donors at orthotopic liver transplantation. Transplantation. 2005; 79 (2): 213–218. doi: 10.1097/01.tp.0000146193.02231.e2.

34. Tang J, Liu R, Zhang YL, Liu MZ, Hu YF, Shao MJ et al. Application of Machine-Learning Models to Predict Tacrolimus Stable Dose in Renal Transplant Recipients. Sci Rep. 2017; 7 (42192). doi: 10.1038/srep42192.

35. Thishya K, Vattam KK, Naushad SM, Raju SB, Kutala VK. Artificial neural network model for predicting the bioavailability of tacrolimus in patients with renal transplantation. PLoS One. 2018; 13 (4). doi: 10.1371/journal.pone.0191921.

36. Tapak L, Hamidi O, Amini P, Poorolajal J. Prediction of Kidney Graft Rejection Using Artificial Neural Network. Healthc Inform Res. 2017; 23 (4): 277–284. doi: 10.4258/hir.2017.23.4.277.

37. Miller PE, Pawar S, Vaccaro B, McCullough M, Rao P, Ghosh R et al. Predictive Abilities of Machine Learning Techniques May Be Limited by Dataset Characteristics: Insights From the UNOS Database. J Card Fail. 2019; 25 (6): 479–483. doi: 10.1016/j.cardfail.2019.01.018.

38. Reeve J, Böhmig GA, Eskandary F, Einecke G, Gupta G, Madill-Thomsen K et al. Generating automated kidney transplant biopsy reports combining molecular measurements with ensembles of machine learning classifiers. Am J Transplant. 2019; 19 (10): 2719–2731. doi: 10.1111/ajt.15351.

39. Bertsimas D, Kung J, Trichakis N, Wang Y, Hirose R, Vagefi PA. Development and validation of an optimized prediction of mortality for candidates awaiting liver transplantation. Am J Transplant. 2019; 19 (4): 1109– 1118. doi: 10.1111/ajt.15172.

40. Scheffner I, Gietzelt M, Abeling T, Marschollek M, Gwinner W. Patient Survival After Kidney Transplantation: Important Role of Graft-sustaining Factors as Determined by Predictive Modeling Using Random Survival Forest Analysis. Transplantation. 2020; 104 (5): 1095–1107. doi: 10.1097/TP.0000000000002922


Для цитирования:


Курабекова Р.М., Бельченков А.А., Шевченко О.П. Перспективы применения искусственных нейронных сетей для решения задач клинической трансплантологии. Вестник трансплантологии и искусственных органов. 2021;23(2):177-182. https://doi.org/10.15825/1995-1191-2021-2-177-182

For citation:


Kurabekova R.M., Belchenkov A.A., Shevchenko O.P. Prospects for the use of artificial neural networks for problem solving in clinical transplantation. Russian Journal of Transplantology and Artificial Organs. 2021;23(2):177-182. (In Russ.) https://doi.org/10.15825/1995-1191-2021-2-177-182

Просмотров: 62


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1995-1191 (Print)
ISSN 2412-6160 (Online)