人工智能方法可能会改善肾脏疾病的诊断

两项新的研究表明，现代机器学习(人工智能的一个分支，系统从数据中学习，识别模式，并做出决定)可能会增强传统的肾脏疾病诊断。这一研究结果将发表在即将出版的《JASN．

病理学家经常根据患者肾脏活检的视觉评估对各种肾脏疾病进行分类;然而，机器学习有潜力自动化和提高分类的准确性。

在一项研究中，由Pinaki Sarder博士和Brandon Ginley(布法罗大学雅各布斯医学和生物医学学院)领导的团队开发了一种新的药物计算算法在无人为干预的情况下检测糖尿病肾病的严重程度。该算法检查病人的数字图像肾活检在显微镜下，提取肾小球的信息，肾小球是肾脏的小血管，从血液中过滤废物排泄。在糖尿病的过程中，这些结构会逐渐受损并留下疤痕。

通常有10到20个肾小球活组织检查，算法在数字图像中检测每个肾小球子成分的位置，然后对每个子成分进行多次测量。Sarder博士解释说:“然后，算法将从一个病人的活检中观察一系列测量到的所有特征，就像医生扫描病人的活检，从一个肾小球扫描到另一个肾小球，并检查每个肾小球的结构一样。”“算法有一个很长的和短时记忆因为它可以检查肾小球结构，所以它可以记住所有肾小球的信息，并将其纳入最终的分析中。”

研究人员使用他们的方法对54例糖尿病肾病患者的活检样本进行了数字分类，并发现数字分类与3位不同病理学家的分类有很大的一致性。

在另一个JASN文章同时发表，由Jeroen van der Laak博士和Meyke Hermsen(荷兰奈梅亨大学医学中心)领导的团队应用机器学习来检查肾移植活检，并超越肾小球来评估肾脏中的多个组织类别。研究人员开发了一种称为“卷积神经网络”(CNN)的机器学习模型，并发现它可以应用于来自多个中心的组织，用于活组织检查和肾切除术样本，以及健康和病变组织的分析。此外，他们还用标准分类方法验证了CNN的结果。

“在这项研究中，我们应用人工智能来准确分析肾移植组织。van der Laak博士说:“这将通过产生高度准确和可重复的疾病过程特征数据来促进肾移植研究，从长远来看，也会改善移植患者的诊断，这可能会提高器官的存活率。”他指出，CNN的性能超出了他们的预期，特别是它能够准确区分近端小管和远端小管(两种不同类型的肾小管)。“我们又纳入了8个组织类别，网络并不是对所有组织都表现得一样好。例如，对于人类观察者来说，确定一个小管是否处于萎缩状态是很困难的，而网络也很难做到这一点。我们正在努力使网络在这方面做得更好。”

赫姆森补充说，机器学习在肾脏领域的应用很少，主要局限于检测单个结构。“我们觉得应该——也可以——从中提取更多的信息肾脏为了充分支持移植评估，”她说。

伴随这两项研究的一篇社论强调了研究的优点和缺点机器学习．

---

---