人工智能在肾脏病学范畴的应用

近年来，随着计算机技术的迅猛展开，医学范畴曾经越来越多地运用人工智能来改善急慢性肾脏疾病的诊断和预后。各种组学、临床和患者产生的健康数据能够为人工智能算法提供动力，以改善急性肾损伤（AKI）和慢性肾脏病（CKD）的诊断和预后。组学数据能够用来表征类型，临床信息可用于审定AKI、CKD及其亚型以及肯定最佳治疗措施，从可穿戴传感器和移动设备的健康应用中取得的患者健康数据也有助于监测病症和恢复状况，从而提供全面的诊断、治疗和恢复监测管理。

人工智能（AI）在预测急性肾损伤（AKI）方面已显现出希望。大多数已有的AKI预测模型在预选预测变量时需求大量的人工管理工作，但是，某些变量可能仅适用于单个医院或临床单位，这就限制了预测模型在不同单位之间通用。医院之间数据不可互用是模型可运输性的主要障碍。胡勇等[2]应用美国PCORnet平台（该项目整合了美国数百个卫生系统的电子病历）开发了AKI预测模型，能够连续计算一切住院患者自入院开端未来48小时内的AKI发作风险。该模型48小时内预测任何AKI的AUROC为0.76 [95％CI，0.75–0.78]，预测AKI第2阶段的AUROC为0.81 [95％CI，0.76-0.86]，预测AKI第三阶段的AUROC为0.87 [95％CI，0.78–0.93]。研讨者评价了其在六个独立卫生系统之间的可运输性。结果表明跨站点性能可能会降低，且不同人群的风险要素的异质性可能是构成此结果的缘由。因而，无论AI模型在原医院的运转如何精确，能否能够在目的医院采用依旧一个悬而未决的问题。为此，研讨者推导了一种预测AI模型可运输性的措施，用于加快AI模型在医院外部的顺应过程。因而，固然患者和数据存在异质性，需求改进模型的其他潜在算法和先进的数据谐和技术来处置这一问题。

在慢性肾脏病方面，最近有研讨者运用人工智能模型预测了IgA肾病患者能否可能停顿为终末期肾脏病（ESRD）[3]。该团队回想性剖析948例原发性IgA肾病患者资料并开发了用于ESRD的人工神经网络预测模型。他们的工具基于两步过程：分类模型能够预测ESRD，而回归模型能够预测ESRD随着时间的停顿状况。分类模型显现随访5年的AUROC为0.82，而随访10年AUROC可改善到0.89。两种模型的召回率均较高，表明该工具的适用性。回归模型显现平均绝对误差为1.78年，均方根误差为2.15年。在167名IgA肾病患者的独立队列中中止的测试发现，预测胜利率为91%。该系统预测和察看到的结果概率没有显着差别。另外，该人工神经网络在一年和两年时的动态分辨指数分别为0.80和0.79，且在随后的25年期间内能够察看到相似的结果。因而，该工具能够胜利辨认出由于IgA肾病招致患ESRD的风险。

在肾活检病理诊断方面，需求更牢靠和精确的措施来肯定肾脏活检标本的发现，并且需求更高的速度和重现性，这些需求促进了人工智能在这一范畴的展开。卷积神经网络是深度和机器学习的子类，其中多个层处置模仿了人类视觉皮层的神经衔接，更合适复杂的任务，好比图像辨认。Ligabue等人[4]初次尝试将卷积神经网络应用于肾活检标本肾小球免疫荧光读片。他们采集了2018年期间由两名病理学家出具的2542份肾活检标本的讲演数据，包含免疫反响物位置（系膜、毛细血管壁），散布（节段性，洋溢性），外观（粗或细颗粒）以及强度（0-3 ）。每个病例的一切肾小球免疫反响物图像均用相同的曝光时间采集，用于锻炼（11059套）、考证（200套）和测试（1000套）。此外，由三名病理学家和卷积神经网络评价了180个图像。作为最重要的第一步，卷积神经网络在图像中正确辨认出了肾小球。与事实相比，卷积神经网络的最佳性能为：定位辨认为系膜或连续规则的毛细血管壁的精确度（0.84，0.81），曲线下面积AUC（0.89，0.87），敏感度（0.78，0.77）；散布辨认为节段性或洋溢性的精确度（0.82, 0.81），曲线下面积AUC（0.89，0.81），辨认为洋溢性染色的敏感度为0.74，但辨认为节段性染色的敏感度仅为0.50；外观辨认为粗颗粒或细颗粒的精确度（0.84, 0.94），曲线下面积AUC（0.85，0.83）。卷积神经网络是以最高可能性来肯定染色强度的，总体上预测的强度正确性是好的，关于强度0或3 预测最好，关于强度1.5 或2.5 预测最差。整体而言，三个病理学家和卷积神经网络运用Cohen k系数的比较基本上显现出中等分歧性（0.39~0.56），卷积神经网络的表示同等于病理学家。但是，卷积神经网络的剖析速度远快于病理学家，卷积神经网络每个图像62.5毫秒，而病理学家每个图像7.312秒。

人工智能在肾脏活检标本判读中的应用尚处于起步阶段，在普遍应用于常规临床理论之前仍存在诸多障碍。但是，有深远的潜在益处，包含精确性，重现性以及速度。这将会为肾小球和其他肾脏疾病提供更多的诊断信息、治疗靶点和预后预测[5]。

参考文献

1.Rashidi P, Bihorac A. Artificial intelligence approaches to improve kidney care.Nat Rev Nephrol. 2020 Feb;16(2):71-72.

2.Song X, Yu ASL, Kellum JA, et al.Cross-site transportability of an explainable artificial intelligence model for acute kidney injury prediction.Nat Commun. 2020 Nov ;11(1):5668.

3.Schena FP, Anelli VW, Trotta J, et al. Development and testing of an artificial intelligence tool for predicting end stage kidney disease in patients with immunoglobulin A nephropathy. Kidney Int. 2020 Sep 1;S0085-2538(20)30969-8.

4.Ligabue G, Pollastri F, Fontana F, et al. Evaluation of the classification accuracy of the kidney biopsy direct immunofluorescence through convolutional neural networks. Clin J Am Soc Nephrol. 2020 Oct 7;15(10): 1445–1454.

5.Hou J and Nast CC. Artificial Intelligence The Next Frontier in Kidney Biopsy Evaluation. Clin J Am Soc Nephrol, 2020 Oct 7;15(10):1389-1391.