由机器学习支持的成像分析可以准确预测慢性肾病患者的肾存活时间。

近日，《肾脏国际报告》发表的一项研究表明，肾脏活检的机器学习和成像分析有助于帮助预测肾脏在慢性肾损伤患者中能充分发挥作用的时间。

研究人员利用深度学习和神经网络(一种模仿人类大脑决策模式的机器学习方式)发现，在计算肾功能衰退时，一系列新的卷积神经网络(CNN)算法比传统的病理学估计评分系统更为精确。

波士顿大学研究小组解释说:“在肾活检样本中，慢性肾脏损害通常是通过在肾活检样本中，获得纤维化和管状萎缩的数量来进行半定量评估的。”

“尽管病理学专家训练有素的眼睛能够判断疾病的严重程度，并能以惊人的准确性检测出组织病理学的细微差别，但这种专业知识并不是在所有地方都能得到，特别是在全球范围内。”

根据美国国立卫生研究院的数据显示，在美国约有14%的人患有慢性肾病。这种情况通常很少出现症状，直到提高了定期监测的重要性，并准确地确定了疾病的进展情况。

“此外，迫切需要对病理疾病的严重程度进行标准化，以便在临床试验中确立的治疗效果，可以用于日常实践中治疗同样严重疾病的患者。”波士顿大学研究小组补充说道。

人工智能和成像分析是帮助病理学家完成这些任务的技术。人工智能可以识别多GB图像中像素的图案，为人类临床医生无法匹配的令人难以置信的大量数据提供了详细的分析级别。

将机器学习和成像数据结合的早期结果令人振奋。一些飞行员已经证明，人工智能工具几乎可以和人类病理学家一样精确，同时大大减少了分析大量数据所需的时间。

为了取得同样的积极效果，波士顿大学的研究小组对2009年至2016年间波士顿医疗中心就诊的171名患者的数据进行了调查。

这些患者代表了典型的慢性肾病患者，平均年龄为52岁，同时患有高血压、糖尿病等并发慢性病。其中接近一半的人口是非裔美国人。

研究人员利用谷歌的Inception V3图像识别架构，对数百万张图像进行了预训练，以支持对可用肾活检切片的变化进行识别。

该算法经过训练，以确定可能的肾生存率为1年、3年和5年。由于该研究使用的是回顾性数据，因此该小组能够将算法的预测与实际结果相匹配。

结果显示，在预测3个目标时段的肾生存率时，CNN模型比病理学家估计的评分系统好得多。该算法还能更准确地识别肾脏疾病的个体状态。



来源：肾脏国际报告

“该研究的一个重要的优势是机器学习技术被应用于常规肾活检标本的trichrome-stained组织图像，而不需要任何特殊的处理或数字扫描操作，”该研究小组指出,“这让我们能够直接比较机器学习分析的结果与来自相同标本的临床病理报告的结果。”

使用深度学习技术也有助于创建比病理学家估计的评分更为复杂的评估框架，评分主要依赖于特定样本中存在的纤维化程度。

该研究称:“使用卷积，激活和集中（或二次采样）等操作符，训练CNN模型需要多次以系统化的方式执行这些操作，以将像素级信息转换为输入图像的高级特征。 ”

CNN模型训练与使用单一值（纤维化评分）作为输入特征以及相应输出类别完成的病理学家模型训练形成鲜明对比。这方面强调了利用计算机算法(如CNN)来捕获来自整个图像的像素级信息的价值，并将其与感兴趣的结果相关联，而不是纤维化评分本身。

研究人员指出，尽管CNN的模型比简单的评分要好，但病理学家估计的纤维化评分仍然是监测慢性肾病进展的一种非常有价值和准确的方法。

该研究指出：“机器学习算法显然有局限性，并且提供了增量的价值，而不是取代人为因素。” “我们承认，肾病学家的临床表现和诊断是建立在相关因素之上的，而不是孤立地对病变进行视觉和病理检查。”

“尽管如此，使用有经验的肾脏病理学家的准确性的计算机对组织学图像进行分类的能力，有可能影响肾脏的实践，特别是在资源有限的环境中。”

随着机器学习算法变得更加复杂，供应商可能很快就能将他们的发现更深入地集成到临床决策支持工具中，以指导治疗决策。

该研究总结说:“这种快速、可扩展的方法可以在护理的时候以软件的形式展开，并具有实质性的临床影响的潜力，包括增加肾脏学家的临床决策。”

“在不同的临床实践和图像数据集中对模型的进一步验证，对于在典型的病理学服务中遇到的病变的全部分布和范围，来验证这种技术是必要的。”