AI力作！肾活检鉴定报告由人工智能自动生成，且精准度超乎想象！

肾活检是肾病诊断和管理中必不可少的部分。然而，许多疾病具有相似的病理特征，例如免疫球蛋白A（IgA）肾病和糖尿病肾病（DKD）都具有系膜增生的病理改变，仅通过光学显微镜往往难以区分。

近年来，人工智能发展迅猛，其图形处理与判断能力日新月异。在肿瘤检查和诊断中，人工智能已经展现了惊人的效率和准确性。然而，在肾脏病学中，人工智能的应用还处于起步阶段。既往有研究表明，人工智能可以在已确诊为IgA肾病的患者中，通过筛查肾活检样本，快速区分正常肾小球和病变的肾小球，并明确数量。但是，目前还无法凭借肾活检样本明确患者是否患有IgA肾病或其他肾病。（相关阅读：从ChatGPT到VIDAS Nephrocheck，AI是如何助力肾病管理的？）。

近期，中国的研究团队成功利用人工智能和机器学习技术，通过肾活检样本快速、准确地诊断患者是否患有IgA肾病或DKD。研究结果显示，这种方法的总体准确率高达73.24%，大大提高了病理科和肾脏内科的工作效率与准确性。

研究设计

这是一项回顾性研究，旨在开发一种可以诊断肾活检样本的人工智能软件。研究的病理切片均来自浙江中医药大学附属第一医院。纳入研究的切片已被确诊为IgA肾病或糖尿病肾病。除此以外，这些病理切片还必须满足如下标准：切片接受了Masson染色，且染色质量较高，图像清晰；患者年龄≥18岁。

研究的排除标准为：遗传因素导致的IgA肾病；IgA肾病合并其他肾小球肾炎；DKD合并其他肾小球肾病；切片先接受了冰冻处理后，再进行Masson染色；切片存在气泡、折叠压缩、撕裂等图像问题。

所有肾活检切片均接受了2位以上的病理学家的诊断，只有在专家们达成一致意见时，才能确诊样本为IgA肾病或DKD。

本研究对肾活检的切片还有如下处理：

通过电子摄像头将所有切片进行摄像，确定肾小球位置，形成1000×1000像素的图片。将得到的肾小球图片进行90°或-90°的水平/垂直翻转。将得到的图片分为训练集和测试集。训练集将随机分为训练数据（80%）和调整数据（20%），以训练机器模型。

为了评估人工智能检查报告的一致性，研究人员还将图片传送至中国其他肾脏病理研究所，由著名肾脏病理学家们判断切片究竟是DKD还是IgA肾病。

研究结果

01

入组信息

训练集总计入组了167例IgA肾病患者和104例DKD患者，测试集则纳入了19例IgA肾病患者和9例DKD患者。IgA肾病和DKD患者的基线信息无组间差异。

02

人工智能可以鉴别肾小球

经处理后，IgA肾病患者的切片共产生120张图像，包含184个肾小球（包括图像边缘，不完整的肾小球）。人工智能检查出177个肾小球，176个完整的肾小球都被成功检出。然而，人工智能将一段肾小管误判为肾小球，此外，8个不完整的肾小球未被成功检出。DKD患者的切片共计产生116张图像，包含200个肾小球。人工智能共检出198个肾小球，4个肾小管被误诊为肾小球，此外还漏诊了6个肾小球，其中4个肾小球已完全硬化/萎缩，2个肾小球则是非完整的肾小球。总体而言，人工智能对肾小球的总体鉴别准确率达98.67%，漏检率仅为1.30%，未漏诊任何完整的肾小球。

03

人工智能可以鉴别IgA肾病和DKD

人工智能可以准确鉴别IgA肾病和DKD，总体准确率高达73.24%。其中，检出IgA肾病的准确率高达77.27%，DKD的检出准确率为69.59%。人工智能对IgA肾病和DKD误判的可能性分别为30.26%和22.56%。

此外，人工智能检出IgA肾病和DKD方法的特异性和敏感性有较高的曲线下面积（图1）。

图1 人工智能检查的特异性和敏感性

与人类肾脏病理学家相比，人工智能耗时极短。具体而言，大部分病理学家需要3~14min，方可完成测试集的病理报告，而人工智能仅需26秒（图2）。

图2 病理学家与人工智能的耗时对比

更令人惊讶的是，人工智能的一致性也远高于初级、中级甚至高级/资深肾脏病理学家，部分切片的人工病理检查结果互不相同（图3）。

图3 病理学家与人工智能的一致性对比

讨论

在我国，DKD和IgA肾病是导致慢性肾脏病（CKD）最常见的2个重要病因。全球范围内，约有50%的CKD患者的病因为DKD。在亚洲人群中，IgA肾病的发病率较高，且易进展为终末期肾脏病（ESRD）。然而，IgA肾病和DKD的病理表现均为肾小球系膜增生，较难区分两者。如果患者的糖尿病病史不明确，容易导致误诊。

随着科学的发展，人工智能已在医学界崭露头角。目前，大部分人工智能的内核为卷积神经网络算法，它可以有效处理影像学资料，但是，在操作速度和学习深度方面却有一定的局限性。Yolov5 v6.1网络框架算法是一种新型机器学习算法，与卷积神经网络算法相比，在学习速度和深度方面具有独特优势。而且与卷积神经网络算法不同的是，Yolov5 v6.1网络框架算法主要适用于处理影像学资料，可能在肾脏病病理、超声、X光等方面有一定优势。与既往不同，这是首次采用Yolov5 v6.1网络框架算法处理肾脏病理学相关的影像学特征，因此与已经发布的人工智能相比，本研究病理诊断报告的准确性较高，用时较少。

与人类病理学家相比，人工智能在肾脏病理诊断中展现出更高的一致性，因为它能够识别肉眼难以察觉的特征。然而，研究人员指出，目前人工智能仅作为肾脏病理学家的辅助工具，并不能取代他们的工作，也无法单独完成病理/疾病诊断。

尽管病理检查在肾病诊断中至关重要，但诊断过程还需要结合患者的临床信息、病史甚至家族史。因此，人类的专业知识和经验在最终诊断中起着决定性的作用。此外，医学界还应关注非典型肾病的病理检查，因为人工智能缺乏非典型肾病的数据，可能导致误诊。

总的来说，目前人工智能可以快速、准确地出具DKD和IgA肾病的肾活检报告，但对于罕见肾病，则依然需要病理学家进行专业判断。

参考文献：

1. FanZ, Yang Q, Xia H, et al. Artificial intelligence can accurately distinguish IgAnephropathy from diabetic nephropathy under Masson staining and becomes animportant assistant for renal pathologists. Front Med (Lausanne). 2023 Jul3;10:1066125.