查看更多
密码过期或已经不安全,请修改密码
修改密码壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
第61届欧洲肾脏病协会ERA年会于2024年5月23日至26日在瑞典斯德哥尔摩举行,今年的会议主题是“重新思考肾脏健康和改革肾脏护理(Rethinking Kidney Health and Transforming Kidney Care)”。
本次大会评选出了 TOP 10 研究,中国医学论坛报特邀东部战区总医院刘志红院士团队,对TOP 10 研究进行深入解读。
作者:东部战区总医院 国家肾脏疾病临床研究中心 全军肾脏病研究所 黄湘华
人工智能(AI)是研究、开发用于模拟、延伸和扩展人类智能理论、方法、技术及应用系统的一门新的技术科学。基于AI的识别技术为规范化病理诊断提供了可能的解决方案,并有助于发现一些肉眼不易察觉的潜在改变。AI辅助的病理诊断技术在肾脏病领域已有一些研究成果,但是离真正的临床应用还有很大的差距,仍需要更深入的研究。本次欧洲肾脏病年会就有一项有关机器学习在肾小球疾病病理诊断中的相关研究,进一步推进了AI技术在肾脏病理诊断中的应用进程。
研究背景与目的 机器学习在肾脏病理学中的诊断应用仍处于起步阶段。研究者假设可以开发一种机器学习分类器,用于12种不同类别的肾小球肾炎,采用CNN和基于自我注意的架构,遵循肾脏病理学范式,即全局硬化的肾小球对诊断目的无效。
研究方法 本研究数据集包含来自350个肾活检标本(四个机构)的11000个PAS染色的肾小球。每种小球都保留了来自12个类别的诊断标签:ABMN、ANCA、C3-GN、CryoGN、DDD、纤维性肾小球病、感染相关GN(IAGN)、IgAGN、MPGN、PGNMID、SLGN-IV;全局硬化性肾小球仅被标记为第13类硬化性肾小球疾病。该数据集分为75%的样本用于训练,15%用于验证和10%的测试。此外,还有一组从另外三个中心采集的另外50个肾活检标本和2000个肾小球。基于包括Swin-transformer和ConvNext在内的多个基于变换器的分类网络的集合,以完全监督的方式对13个类(12个GN类和硬化类)的分类器进行训练。允许通过不同的网络实例对每个肾小球进行分类。由于每个网络都是在不同的条件下训练的,因此整个系统获得了更全面的知识理解,而不是依赖于单一的方法。对于最终决策,系统采用具有最大置信阈值的预测,该预测也与分类一起进行预测。
研究结果 表1和图1列出了分类性能的指标,计算为精度、灵敏度、特异性、F1分数和平衡精度。CryoGN的平衡准确度为0.4797,膜性肾病为0.5949,肾小球硬化症为0.6892;ROC的曲线下面积PGNMID为0.4,膜性肾病为0.82,肾小球硬化症为0.81。
图1 等待验证数据集的工作特性曲线结果
表1 验证数据集的分类度量结果
研究结论 GN的病理分类通常需要免疫染色、电镜和临床数据,本概念验证研究为肾小球肾炎具有挑战性的分类任务奠定了基础。本研究分类结果甚至可以在单个PAS肾小球上得出有意义的结论。结合自动肾小球分割模型,本项目可以快速扩大训练队列的规模,甚至添加更多类别的GN。
机器学习是实现AI的主要途径,也是AI的核心,它包括多种算法模型,通过算法可以让机器对未知事件进行预判。图像处理是目前AI在医疗领域中研究较为广泛的应用场景,从影像学图片到病理图片均有相关的研究证实AI可以在医学图像的诊断方面发挥重要作用。
肾脏病理作为肾脏疾病诊断的金标准,具有病变多样性、复杂性等特点,涉及许多指标的量化和病理分型(级)的评估,目前这些任务均依赖人工计数和半定量评估,费时费力,且有主观差异性。人工智能模型具有快速、主观差异性小等特点,特别适用于肾脏病理特征的定量和分型。但由于肾脏组织结构和病变具有多样性,且人工智能模型的训练需要大量的金标准数据,目前人工智能与肾脏病理的融合正处于初步阶段。
肾小球计数及病变类型的评估是肾脏病理诊断特别是肾小球疾病诊断的重要依据。肾小球不同程度的硬化是衡量肾脏慢性损伤程度的一个指标,既往的研究模型主要还是集中在硬化程度的识别,Marsh等人使用供肾冰冻组织 HE 染色切片训练 CNN 模型,模型识别硬化肾小球和非硬化肾小球效果达到病理专家水平。Gallego等采用深度学习的方法实现了对WSI中硬化肾小球的识别和分类。Barros等创建了一个病理计算系统,以88.3%的准确率实现对增生性肾小球的识别。东部战区总医院国家肾脏疾病临床医学研究中心利用多种深度学习算法建立肾脏病理分析系统 ( ARPS 系统) 识别 IgA 肾病(IgAN)患者 PAS 染色切片中球性硬化、节段硬化、新月体,结果 ARPS 系统识别的肾小球病变类型和病理专家标记的金标准之间的 κ 值(用于评价两种方法一致性的常用指标) 分别可达1.0、0.776、0.861。本研究打破了以往以单一肾脏病理类型疾病为研究对象的范式,以不同肾小球疾病的单一肾小球为研究对象,建立相关模型,对肾小球疾病的鉴别诊断具有重要临床应用价值。
从20世纪50年代发展至今,人工智能技术已展现出强大的数据处理能力和预测性能。肾脏病理诊断也已步入数字化时代,人工智能技术将从识别病变、辅助疾病分型、预测预后到整合临床及组学数据等多个方面改变目前肾脏疾病的治疗和预防模式。
东部战区总医院,国家肾脏疾病临床医学研究中心细胞治疗中心主任
副主任医师,副教授,硕士生导师
中华医学会肾脏病学分会青年委员
中国抗癌协会整合肿瘤肾脏病学专委会副主任委员
江苏省医学会肾脏病学分会常务委员
中国医师协会血液病医师分会多发性骨髓瘤专委会委员
江苏省“333高层次人才”培养对象
主持国家及省部级课题8项,发表SCI论文30余篇
查看更多