人工智能在肾脏病学领域的应用

近年来，随着计算机技术的迅猛发展，医学领域已经越来越多地使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可以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。组学数据可以用来表征类型，临床信息可用于鉴定AKI、CKD及其亚型以及确定最佳治疗方法，从可穿戴传感器和移动设备的健康应用中获得的患者健康数据也有助于监测症状和恢复情况，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）方面已显示出希望。大多数已有的AKI预测模型在预选预测变量时需要大量的人工管理工作，然而，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]利用美国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，可以连续计算所有住院患者自入院开始未来48小时内的AKI发生风险。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]。研究者评估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，且不同人群的风险因素的异质性可能是造成此结果的原因。因此，无论AI模型在原医院的运行如何精确，是否可以在目标医院采用仍然是一个悬而未决的问题。为此，研究者推导了一种预测AI模型可运输性的方法，用于加快AI模型在医院外部的适应过程。因此，尽管患者和数据存在异质性，需要改进模型的其他潜在算法和先进的数据协调技术来解决这一问题。

在慢性肾脏病方面，最近有研究者运用人工智能模型预测了IgA肾病患者是否可能进展为终末期肾脏病（ESRD）[3]。该团队回顾性分析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：分类模型可以预测ESRD，而回归模型可以预测ESRD随着时间的进展情况。分类模型显示随访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，表明该工具的实用性。回归模型显示平均绝对误差为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进行的测试发现，预测成功率为91%。该系统预测和观察到的结果概率没有显着差异。另外，该人工神经网络在一年和两年时的动态辨别指数分别为0.80和0.79，且在随后的25年期间内可以观察到类似的结果。因此，该工具可以成功识别出由于IgA肾病导致患ESRD的风险。

在肾活检病理诊断方面，需要更可靠和准确的方法来确定肾脏活检标本的发现，并且需要更高的速度和重现性，这些需求促进了人工智能在这一领域的发展。卷积神经网络是深度和机器学习的子类，其中多个层处理模拟了人类视觉皮层的神经连接，更适合复杂的任务，比如图像识别。Ligabue等人[4]首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份肾活检标本的报告数据，包括免疫反应物位置（系膜、毛细血管壁），分布（节段性，弥漫性），外观（粗或细颗粒）以及强度（0-3 ）。每个病例的所有肾小球免疫反应物图像均用相同的曝光时间采集，用于训练（11059套）、验证（200套）和测试（1000套）。此外，由三名病理学家和卷积神经网络评估了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识别出了肾小球。与事实相比，卷积神经网络的最佳性能为：定位识别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）；分布识别为节段性或弥漫性的精确度（0.82, 0.81），曲线下面积AUC（0.89，0.81），识别为弥漫性染色的敏感度为0.74，但识别为节段性染色的敏感度仅为0.50；外观识别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确定染色强度的，总体上预测的强度正确性是好的，对于强度0或3 预测最好，对于强度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使用Cohen k系数的比较基本上显示出中等一致性（0.39~0.56），卷积神经网络的表现等同于病理学家。然而，卷积神经网络的分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，在广泛应用于常规临床实践之前仍存在诸多障碍。然而，有深远的潜在益处，包括准确性，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.