摘要
亮点:该机器学习了对肾脏活检样本进行分类的算法，并被发现与…
亮点: 这台机器学习算法对肾脏活检样本进行分类，经病理学家鉴定与标准分类一致
这些方法可能会颠覆传统的肾脏疾病诊断方法
人工智能的一个分支，其系统分析数据，识别模式，并给出计算结果，现在可以用来诊断肾脏疾病。
两项新研究表明,现代机器学习人工智能的一个分支系统从数据,识别模式,并决定可能增强传统诊断肾脏疾病。研究结果发表在即将出版的一期<JASN
病理学家通常根据对患者肾脏活检的视觉评估对各种肾脏疾病进行分类;然而，机器学习有可能自动化并提高分类的准确性。
在一项研究中，由皮纳基·萨德尔博士和布兰登·金利(布法罗大学雅各布斯医学和生物医学科学学院)领导的一个团队开发了一种计算算法，可以在没有人类干预的情况下检测糖尿病肾病的严重程度。该算法在显微镜下检查患者肾活检的数字图像，并提取肾小球的信息。肾小球是肾脏的小血管，过滤血液中的废物以供排泄。在糖尿病的过程中，这些结构会逐渐受损并留下疤痕。
每次活检通常有10到20个单独的肾小球，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多次测量。“然后，该算法会在一系列中查看从一个病人的活检中测量到的所有特征，就像医生会扫描病人从一个肾小球到另一个肾小球的活检，并检查每个肾小球的结构，”萨德尔博士解释说。“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最终分析，”金利补充说。
研究人员用他们的方法对54名糖尿病肾病患者的活检样本进行了数字化分类，发现数字化分类与三位不同病理学家的活检样本有很大的一致性。
在JASN同时发表的另一篇文章中，BSc(荷兰奈梅亨内梅亨大学医学中心)的Jeroen van der Laak博士和Mike Hermsen领导的一个团队应用机器学习检查肾脏移植活检，并超越肾小球评估肾脏的多个组织类别。研究人员开发了一种名为“卷积神经网络”(CNN)的机器学习模型，发现它可以应用于多个中心的组织，用于活检和肾切除样本，以及健康和病变组织的分析。此外，他们用标准的分类方法验证了CNN的结果。
“在这项研究中，我们应用人工智能来精确分析肾移植组织。这将通过产生描述疾病过程的高度准确和可重复的数据，促进肾脏移植研究，从长远来看，也将改善移植患者的诊断，这可能提高器官存活率，”范德拉克博士说。他指出,美国有线电视新闻网的性能超过了他们的期望,尤其是它的准确性可以区分近端小管远端小管两种不同类型的肾小管。“我们又纳入了8种组织分类，但网络对所有分类的效果并不相同。例如，对于人类观察者来说，判断一个小管是否处于萎缩状态是很困难的，而神经网络也很难做到这一点。我们正在努力使网络在这方面做得更好。”
赫姆森补充说，机器学习在肾脏领域的应用非常有限，主要局限于检测单个结构。“我们觉得更多的信息应该和可以从肾组织移植评估为了充分支持,”她说。
来源：Medindia
此文系悬壶济世网原创整理，没有授权，请勿转载！
