人工智能在肾活检组织结构识别及病理诊断中的应用2024

人工智能在肾活检组织结构识别及病理诊断中的应用2024
摘要
肾活检是肾脏疾病诊断和管理中必不可少的部分。

近年来，基于卷积神经网络的人工智能（artificial intelligence，AI）技术的迅速发展，极大地推进了其在肾脏病学领域的应用。

本文聚焦AI在肾活检组织结构识别及病理诊断中的研究，从光镜、免疫荧光、电镜三个维度对AI在肾组织结构及病理特征的识别与分割、辅助疾病诊断等的应用展开阐述，为AI应用于肾脏病理研究及精准医学领域提供参考与借鉴。

关键词
人工智能；深度学习；病理学；活组织检查；病理特征；辅助诊断
人工智能（artificial intelligence，AI）是研究、开发用于模拟、延伸和扩展人类智能理论、方法、技术及应用系统的一门新的技术科学［1］。

近年来，以深度学习为代表的各类算法在液基细胞学及肿瘤病理诊断、免疫组化结果判读中展现出很大优势，包括对图像的分析、疾病的诊断、疗效的评估及预后的预测［2］。

慢性肾脏病是导致终末期肾病的原因之一，早期明确病理类型是临床医师治疗的关键所在。

肾活检病理作为肾脏疾病尤其是肾小球疾病诊断的金标准，对明确病因、指导治疗及评估预后具有重要意义。

目前，肾活检病理学的诊断主要取决于有经验的肾脏病理诊断医师的评估，对于一些难以识别的病例，不仅费时费力，而且具有一定的主观性和相对较低的重复性［3］。

尽管具有标准化指南共识，但由于病理学家视觉感知、
数据处理习惯和判断偏好的不同，仍然存在诊断差异［4］。

基于AI的先进识别技术为规范化病理诊断提供了可能的解决方案，并有助于发现一些肉眼不易察觉的潜在改变。

本文将围绕现阶段AI在肾活检组织结构识别及病理诊断中的研究现状，结合本课题组相关工作，概述AI在光镜、免疫荧光、电镜三个维度的图像分析应用进展，为肾脏病学科数字化建设的研究及推广提供参考与借鉴。

一、 AI图像处理的原理及基本流程
AI是利用计算机模拟人类思维方式的方法进行自动学习计算的。

机器学习是实现AI的主要途径，也是AI的核心，它包括多种算法模型，通过算法可以让机器对未知事件进行预判［5］。

而深度学习是一种实现机器学习的技术，它使用了一些更加通用和智能的模型，但需要更多的数据和算法作为支撑，否则难以发挥其优势。

卷积神经网络（convolutional neural network，CNN）是深度学习的代表算法之一，常用来分析视觉图像。

AI图像处理常规工作流程如下：（1）数据选择、采集和标注：近几年，高质量的全玻片数字扫描技术（whole slide image，WSI）是一种将现代数字系统与传统光学放大装置有机结合的技术，用于制作大量的数字化病理切片，为AI图像处理提供方便［6］。

由于这是AI训练的第一步，因此数据选择和采集的质量对于图像处理的最终性能至关重要。

所以对于厚薄不一、染色不良、有气泡等不合格的图像，应及时舍弃。

根据对标签的依赖程度，AI训练算法分为监督学习、弱监督学习、无监督学习和迁移学习4种［7］。

（2）图像预处
理和模型开发：图像预处理通常包括对比度归一化和数据增强。

数据整理完成后，构建模型，用于特征提取和数据分析。

有两种主要的特征提取方法：手工提取或无监督提取。

图像分析的基本任务有3个：图像分类、目标检测和结构分割。

分类技术是将一组输入数据映射到一组预先已定义的类别标签，从而实现对数据的分类。

目标检测可以利用边界框对目标进行识别和定位。

分割技术一般面向图像数据，其目的是对输入图像中的每一个像素进行分类，进而对图像中不规则的共性区域进行区分。

（3）模型验证：为了评估模型的性能，通常需要一个验证数据集，由未知的图像组成。

常用准确率、特异性、敏感性等指标来评估模型的性能（图1）。

图1 人工智能图像处理流程
二、肾活检病理诊断与肿瘤病理诊断的不同
现代肿瘤病理已经从最初的形态学诊断转变为集形态学、免疫表型、基因检查为一体的诊断模式［8］。

基于器官、部位的肿瘤组织学分型是肿瘤病理诊断的基础，大部分的肿瘤病变具有典型的组织学形态，常规HE染色切片即可做出明确诊断。

少部分形态不典型或来源不明确的肿
瘤可通过免疫组化或分子检测等辅助鉴别诊断技术得以明确诊断。

而肾活检病理需要结合光学显微镜、免疫病理（免疫荧光为主）及电子显微镜等多个维度的数据进行综合分析，才能做出正确的病理诊断［9］。

光镜检查需整合不同的染色来观察肾脏整体的病理改变，包括肾脏各个部位的组织结构改变、异常物质的沉积及其分布范围和严重程度，是反映肾脏病理改变的最基本手段。

免疫病理可以明确肾脏各部位是否存在免疫反应成分的沉积，而电镜便于观察沉积物部位有无特殊的超微结构，对免疫复合物和/或补体相关的肾小球肾炎的鉴别诊断具有重要意义。

基于此，本文在内容介绍上将分别从特殊染色、免疫荧光、超微病理等多个维度进行阐述。

三、 AI在肾脏病理学中的应用
（一）肾脏结构的识别和分割
肾小球的分割计数及病变分类是肾活检病理诊断的基本步骤。

与WSI 分析相比，传统光学显微镜测量的肾小球数目误差较大，引入AI辅助WSI分析有助于更精确地计数肾小球［10］。

Simon等［11］开发的向量机模型，可以自动识别小鼠组织样本中的正常肾小球；根据局部二元模式提供的图像特征，该模型实现了90%的精准率和70%的召回率；此外，它还可以检测大鼠和人体组织中的肾小球。

本课题组开发的YOLO 模型识别并分割单张切片肾小球的精准率、召回率分别可达99.2%和97.0%：平均时间为8.58 s，最短用时2 s，分割单个肾小球的时间仅需0.374 s，且该数字模型可通过基于深度学习的染色转换框架，实现
对PAS染色、Masson染色等其他特殊染色的染色转换［12］。

肾小球
不同程度的硬化是衡量肾脏慢性损伤程度的一个指标，肾小球硬化的百分比也被认为是移植肾接受度的决定性因素。

Gallego等［13］采用深度学习的方法实现了对WSI中硬化肾小球的识别和分类。

Barros等［14］创建了一个病理计算系统，以88.3%的准确率实现对增生性肾小球的
识别。

肾小球增生性病变的特征是肾小球内系膜区或毛细血管腔内的细胞数量增加，被认为是IgA肾病和狼疮肾炎的活动性指标。

Chagas等［15］进一步细化了对肾小球增生细胞类型的分类，实现了82％的准确率。

另外，Yamaguchi等［16］也构建了CNN模型，实现了对“纤维
性新月体”的识别。

除肾小球外，AI在肾脏其他基本结构（如肾小管）或病理变化（如间质炎症或纤维化）识别中的应用也有一定的进展。

肾间质纤维化（interstitial fibrosis，IF）和肾小管萎缩（tubular atrophy，TA）与各种慢性肾脏病的进展和肾移植的预后密切相关［17］。

Hara等［18］开发了一个基于U⁃Net的分割模型，实现了对正常和异常肾小管的分类。

而Hermsen等[19]训练了一种CNN用于对PAS染色切片中肾组织结构的分割，结果显示，AI可自动识别肾脏的各种结构并准确分
割成肾小球、硬化性肾小球、鲍曼囊、近端小管、远端小管、萎缩性小管和肾间质等10个组织区域；外部验证结果显示，所有类别的加权平均Dice系数（一种集合相似度度量指标，通常用于计算两个样本的相似度）为0.84；进一步分析发现，AI识别和分割肾小球和近端小管的能力较强，而对于硬化肾小球、萎缩性肾小管和鲍曼囊的识别与分割表现不佳。

为了进一步提高检测萎缩肾小管的能力，Salvi等［20］开发了
肾小管萎缩和肾小球硬化的稳健评估（Robust EvaluatioN of Tubular Atrophy & Glomerulosclerosis，RENTAG）模型，能够准确检测到肾小管的轮廓，具有良好的肾小管分割性能，且精准度达95％以上。

研究表明，CNN模型不仅可以识别病变，还可以对病变进行定量分析，这对于移植肾病理诊断十分重要。

Hermsen等［21］将CNN 模型应用于123对PAS和CD3染色的全载玻片图像，用于量化正常与硬化肾小球、间质纤维化、肾小管萎缩、非萎缩性和萎缩性肾小管内及间质纤维化区域的炎症，结果显示计算的组织特征与5位病理学家的Banff评分高度相关。

此外，随着CNN算法的不断精进，除了准确率外，为了提高在器官移植等病例中的诊断速度，de Haan等［22］团队展示了基于监督学习计算方法在从HE到特殊染色（Masson染色、PAS 染色和Jones染色）中的实用性，这种从染色到染色的转换框架可以提高从58例独特受试者中抽取的几种非肿瘤性肾脏疾病的诊断
（P=0.009 5）。

不仅如此，AI还可以根据免疫荧光图像明确肾脏部位如肾小球是否存在免疫反应成分沉积，从发病机制初步区分各种肾脏疾病。

Ligabue等［23］首次尝试应用CNN的方法，自动报告肾活检标本中肾小球的免疫荧光结果，包括IgG、IgA、IgM、C1q和C3补体组分、纤维蛋白原以及κ、λ轻链，结果显示，CNN在荧光图像中不仅可以正确识别肾小球，还可以准确获得肾小球免疫荧光沉积的特征（有无、分布、位置、强度）；训练集中，CNN的准确率达79%（毛细血管袢不规律沉积）至94%（细颗粒样沉积），且分析速度比人工快117倍。

此外，本团队采用深度学习的方法对肾小球病变区域内的免疫球蛋白
（IgG、IgA）的沉积模式进行了识别和分类，通过自动识别其沉积外观（颗粒、团块）及位置（毛细血管袢、系膜）（准确率分别达95％和98％），可以帮助病理医师得到更全面的肾活检病理诊断［24］。

在后续的研究中，我们尝试将其与免疫荧光图像结合，以期能够提供诊断的准确度。

研究发现，44.3%的肾活检可通过超微结构检查获得基础或重要的诊断信息［25］。

许多肾脏疾病的诊断与肾小球基底膜（glomerular basement membrane，GBM）密切相关，包括GBM的厚度和GBM 中是否存在免疫复合物沉积。

在实际应用中，只要GBM区域完全自动识别或被分割，就可以实现后续的自动测厚和沉积识别。

人工测量GBM 厚度是早期的辅助方法，但工作量非常大。

Cao等［26］采用随机森林堆栈（random forest stacks，RFS，一种基于随机森林的机器学习方法）对351张肾小球透射电子显微镜图像进行训练，实现了对不同形态特征和灰度范围GBM的自动分割。

林国钰等［27］基于无标记数据集在肾小球超微结构的分割任务中，对GBM获得了良好的分割结果。

表1描述了AI在不同肾脏结构识别中的应用。

（二） AI辅助肾脏疾病的病理诊断
不同的肾脏疾病可能具有相似的肾脏病变，同一类疾病还需进行不同的分期。

若能通过AI模型来辅助进行疾病的诊断，可减少因主观性带来的误差，提高病理诊断的效率、客观性和准确性。

1. 狼疮肾炎（lupus nephritis ，LN）：LN是一种继发于系统性红斑狼疮的肾脏受累疾病，主要由循环或原位免疫复合物沉积引起肾脏损伤所致。

由于LN疾病的复杂性，其精准诊断需要通过肾活检结合临床表现和实验室相关检查来确定。

不同的分型可能与患者的表现和最终的结局有关，很大程度上也影响医师对患者治疗方案的选择。

目前，国际肾脏病学会/肾脏病理学会（ISN/RPS）根据肾脏病变部位及免疫复合物沉积状态将LN分为Ⅰ～Ⅵ六种类型，并结合美国健康协会（NIH）活动性和慢性化指数用于量化活动性炎症和慢性变化的程度。

然而，根据Dasari等［33］的一项系统性评价表明，在判读活动性指数时，由于观察主观，不同病理学家的判读一致性较低。

因此，在现行指南下，可以采用AI工具提高病理诊断的客观性和准确性。

Zheng 等［34］的研究中，由3位经验丰富的病理专家对肾小球病变进行标注，将结果一致的结果进行AI模型训练，在肾小球水平上，该模型实现了80.7%的平均精准率，为AI判读
肾小球病变等级的推广应用提供了较好的数据支持。

然而，该模型是基于PAS染色切片进行的，因此对疾病识别程度有限。

另一方面，既往研究尝试整合组织病理学变量和实验室数据，在总体准确性和稳健性方面取得了显著进展［35］。

因此，将临床指标纳入计算机视觉程序可能会克服LN病变检测的局限性，从而提高诊断和预后预测的准确性。

2.糖尿病肾脏疾病（diabetic kidney disease，DKD）：DKD作为糖尿病的主要微血管病变之一，已成为导致终末期肾脏病的常见原因［36］。

肾活检样本中DKD的典型病理变化为肾小球系膜基质的增加与系膜区的增宽。

随着疾病的进展可出现结节状改变（Kimmelstiel-Wilson结节）。

免疫荧光有时可见IgG沿肾小球和GBM呈线状沉积。

GBM均质增厚通常是电镜下DKD最早的结构变化。

根据肾脏的伤程度与病理特征的不同，可以将DKD分为不同的进展阶段。

然而，基于不同病理学家的视觉评估可能会产生不同的结果。

为了解决这个问题，需要更有效的工具来评估疾病的严重程度。

为了提高诊断的可重复性，Ginley 等［37］试图将图像分析与CNN算法相结合，对54例DKD患者的肾活检样本进行分类，在DKD病变肾小球的量化和分类中，AI模型与病理学家之间的一致性达到了中等水平。

尽管AI辅助工具目前无法替代病理学家，但其在克服人类主观性及提高临床决策工作流程的准确性方面已经显示了一定的价值。

目前认为，免疫复合物的沉积与DKD主要的发病机制无关，而Kitamura等［38］的研究证实了免疫荧光图像在DKD 病理诊断中的价值，该小组采用885例DKD免疫荧光图像训练了基于免疫荧光沉积特征的DKD诊断模型，结果显示，AI辅助技术可以以较
高的准确率实现对DKD的识别。

这项研究表明，AI可以自动提取肉眼难以发现的特征，而辅助疾病诊断。

最近，AI辅助技术在利用电镜图像进行DKD诊断方面有了很大突破，如Hacking等［39］设计了一个深度学习模型（MedKidneyEM-v1分类器）来分类5种不同的肾脏病变，其中包括糖尿病肾小球硬化症。

不出所料，该模型在识别DKD方面表现出色，实现了88.89%的准确率及66.67%的召回率。

该研究验证了深度学习在电镜图像诊断中的可行性，为未来AI辅助技术的研究方向奠定了基础。

3. IgA肾病（IgA nephropathy，IgAN）：IgAN是导致CKD的主要原因。

在光镜下，IgAN可能会出现多种病理变现，如系膜细胞和基质增生、节段硬化、新月体形成等。

目前，大多数病理学家采用牛津分型对其进行评估，但这需要花费大量的时间和精力。

因此，AI辅助工具在IgAN图像的定量分析和自动评分中的应用可能有助于减轻病理学家的负担，提高诊断的准确性。

2020年，Zeng等［40］使用400余例经病理诊断为IgAN患者的光镜切片，通过训练多种深度学习模型，最终整合成AI病理识别系统——ARPS系统。

该系统不仅可以准确识别肾小球的基本病变，包括肾小球的全球硬化、节段硬化和新月体，还可以识别肾小球内固有细胞的数量，并根据细胞的比例自动生成相应的M评分，揭示了AI在肾脏病理分析中的创新之处。

除了病理表现多样，IgAN患者临床表现和预后也有较大差异，一些患者病程缓慢，可能只伴有间歇性血尿，而另一些患者首次发现时则表现为肾病晚期或肾衰竭。

为了进一步阐明肾小球病变与临床指标之间的联系，Sato等［41］以无监督的方式对68例IgAN患者的肾活检图像进行分析。

这项研究证实了基于图像的评分与IgAN患者的重要临床指标有关，如牛津MEST⁃C评分与血肌酐和尿蛋白相关，S评分与高血压相关，这些结果为病理图像与临床变量之间的关系提供了新的见解。

尽管AI辅助技术在IgAN诊断方面取得了明显进展，但该领域仍然存在一些局限性。

识别范围主要局限于肾小球病变，因此需要进行深入的研究以提高这些模型的准确性。

4. 膜性肾病（membranous nephropathy，MN）：MN是成年肾病综合征患者最常见的病理类型。

及时发现和准确诊断MN可降低患者进展为终末期肾病的风险。

早期MN在光镜下可能没有显示出明显的病理变化，而Ⅱ期阶段表现为GBM不均质增厚和“钉突”形成。

肾活检作为诊断MN的关键步骤，需要病理学家在显微镜下逐一对具有“钉突”结构的肾小球进行分类。

这一过程费时费力，且对于经验不足的病理学家来说，经常容易漏诊，需要辅助其他检查进行准确诊断。

因此，迫切需要计算机辅助技术来帮助病理学家做出初步判断。

本课题组采用了弱监督学习和增强学习的方法，建立了一种基于实例级数据增强的多示例学习方法，用于对具有“钉突”样结构的肾小球进行识别与分类。

结果显示该模型实现了最佳的分类性能，准确率达94.05%，辅助肾脏病理学家做出了初步诊断［42］。

表2总结了一些常见肾脏疾病的AI辅助诊断应用。

四、机遇与挑战
肾脏疾病已成为全球重要的公共卫生问题。

尽管AI辅助技术在肾脏领域取得了一些进展，但真正应用到临床仍然面临着许多挑战。

首先，病理不仅仅是简单的阅片诊断过程，还包括烦琐的制片流程和染色程序，每一步都需要严格的质量控制。

一张合格的切片是决定WSI质量的关键，而扫描设备和文件格式也会影响算法的判断。

因此，为了进一步扩大AI在肾脏病理学中的应用范围，需要建立统一的样本处理标准，构建具有一致文件格式的集成信息系统。

其次，AI应用还受到训练数据
数量的限制。

具有充足的用于训练的标准数据集，对于CNN算法的有效性至关重要。

小规模或低质量的数据集可能会损害机器学习算法的效率和准确性。

然而，在肾脏病理学领域，很少有研究能够获得大量图像样本用于培训目的。

再次，数字病理学需要额外的工作流程、人员、设备和庞大的数据存储，因而需要强大的资金支持。

最后，另一个问题也不容忽视，如果AI真正应用于临床，如果发生医疗纠纷，法律责任应该如何界定也需要明确。

五、展望
随着全自动病理切片的应用，病理科逐渐走向数字化时代也是必然趋势。

一个理想的基于AI的肾脏病理诊断系统应该结合所有相关的病理结果、临床信息，为解决肾脏病的诊断和治疗手段提供新的思路，为发现新的生物标志物、治疗靶点提供基础。

AI不仅可减轻病理学家的工作量，
提高诊断准确性，还可以提供更多肉眼未发现的信息。

因此，了解AI
的功能、优势和局限性对肾脏病理学家至关重要。

相信在未来，临床医学与AI的结合将会产生更多令人鼓舞的结果，并推动病理学的发展。