华盛顿特区(2019年9月5日) - 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，识别模式和做出决策 - 可能会增加传统的肾脏疾病诊断。调查结果出现在即将发行的JASN期刊中。

病理学家经常根据对患者肾脏活组织检查的视觉评估对各种肾脏疾病进行分类;但是，机器学习有可能实现自动化并提高分类的准确性。

在一项研究中，由Pinaki Sarder博士和Brandon Ginley领导的团队(布法罗大学Jacobs医学和生物医学科学学院)开发了一种计算算法，用于检测糖尿病肾病的严重程度而无需人为干预。该算法在微观水平上检查患者肾活检的数字图像，并提取肾小球的信息，肾小球是从血液中过滤废物排泄的肾小血管。已知这些结构在糖尿病过程中逐渐受损和疤痕。

每个活组织检查通常有10到20个单个肾小球，并且该算法检测数字图像中每个肾小球子组件的位置，然后对每个子组件进行许多测量。“该算法然后查看从一个患者的一个系列活检中测量的所有特征，就像医生会扫描患者从肾小球到肾小球的活组织检查并检查每个人的结构一样，”Sarder博士解释说。“该算法在检查肾小球结构时具有长期和短期记忆，因此它可以记住并将所有肾小球的信息纳入其最终分析中，”金利先生补充道。

研究人员使用他们的方法对54名患有糖尿病肾病的患者的活检样本进行数字分类，并发现数字分类与3名不同病理学家的数据分类基本一致。

在同时发表的另一篇JASN文章中，由Jeroen van der Laak博士和Meyke Hermsen领导的团队(荷兰奈梅亨Radboud大学医学中心)应用机器学习来检查肾移植活检，并超越肾小球进行评估肾脏中的多种组织类别。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，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，以及用于分析健康和患病组织。此外，他们使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。这将通过产生高度准确和可重复的数据表征疾病过程来促进肾移植研究，并且从长远来看也可以改善移植患者的诊断，这可能会改善器官生存，“范德拉克博士说。他指出，CNN的表现超出了他们的预期，尤其是它可以区分近端小管和远端小管的准确性 - 两种不同类型的肾小管。“我们还包括8个组织类别，并且网络对所有组织都没有同样的好处。例如，确定小管是否处于萎缩状态对于人类观察者来说可能是困难的，并且网络也在努力解决这个问题。

Hermsen女士补充说，机器学习仅在肾脏领域应用很少，主要局限于检测单一结构。“我们觉得应该从肾脏组织中提取更多的信息，以便全面支持移植物评估，”她说。