雷群娟 綜述 曾彩虹 審校

人工智能是計算機科學的一個分支,通過計算機來完成需要人腦才能處理的特定智能任務。機器學習是人工智能的核心組成部分,主要通過標記的大數據以及顯著增強算法來發(fā)掘復雜、多維度、非線性相關大數據之間的關系,已廣泛應用于醫(yī)學的多個領域[1]。國家腎臟疾病臨床醫(yī)學研究中心劉志紅院士指出[2],人工智能正以前所未有的速度和廣度改變著我們的認知模式和醫(yī)學研究的范式,從疾病預測、輔助診斷和治療決策、基因組學等多個層面解析目前人工智能在腎臟疾病領域的最新應用,揭示人工智能已成為醫(yī)學發(fā)展的新動力。

隨著全切片掃描數字化成像(whole slide image,WSI)技術的發(fā)展,醫(yī)學病理也逐漸步入數字化時代。深度學習(機器學習的子類)中的卷積神經網絡(convolutional neural network,CNN)是目前在病理等視覺分析中效果最佳且應用最廣泛的深度學習算法[3]。已有的研究顯示,人工智能與腫瘤病理的結合已經能夠顯著提升甚至超越常規(guī)病理圖像的診斷水平及范疇,如使用深度學習算法輔助檢測乳腺癌患者淋巴結轉移[4]、預測肺癌患者存活情況[5]等。腫瘤病理側重于定性診斷,即是否腫瘤或是否轉移等,關注細胞形態(tài)的異質性和分布模式等特征。這些特征的細微改變與診斷、預后和治療反應等密切相關,很難用肉眼判斷,而人工智能可很好捕捉這些特征從而輔助腫瘤病理診斷和診療評估。與腫瘤病理不同,腎臟病理作為腎臟疾病診斷的金標準,具有病變多樣性、復雜性等特點,涉及許多指標的量化和病理分型(級)的評估,目前這些任務均依賴人工計數和半定量評估,費時費力,且有主觀差異性。人工智能模型具有快速、主觀差異性小等特點,特別適用于腎臟病理特征的定量和分型。但由于腎臟組織結構和病變具有多樣性,且人工智能模型的訓練需要大量的金標準數據,目前人工智能與腎臟病理的融合正處于初步階段。本文對目前國內外關于人工智能在腎臟病理中的相關研究進行綜述,旨在為更深入地探索人工智能在腎臟病理領域的研究與應用提供參考。

腎小球結構及病變的識別

腎小球計數及病變類型的評估是腎臟病理診斷特別是腎小球疾病診斷的重要依據。Gallego等[6]使用CNN算法對從人腎臟病理圖像中截取圖塊進行有無腎小球的分類。Bukowy等[7]通過Fast-RCNN(是CNN算法中的一種,具有檢測速度更快的特征)算法對大鼠腎小球進行識別和定位,并使用AlexNet對定位后的區(qū)域進行矯正,獲得96.94%精確度(即Precision,又稱為查準率,是指預測出的正確陽性例數與預測為陽性的總數的概率)和96.79%召回率(即Recall,又稱為查全率,是指預測出的陽性例數與所有的陽性例數的概率);同時將模型應用于人腎小球,也達到80.2%精確度和81.67%召回率。這些研究顯示機器學習和深度學習在腎小球識別和定位層面取得良好成果,為腎小球病變的識別提供基礎。

腎小球基本病變包括球性硬化、節(jié)段硬化和新月體等。Marsh等[8]使用供腎冰凍組織HE染色切片訓練CNN模型,模型識別硬化腎小球和非硬化腎小球效果達到病理專家水平。有研究者使用580張WSI切片訓練CNN模型,模型識別Masson染色WSI切片中球性硬化的F值達0.906(未發(fā)表資料)。有時難以通過單一染色區(qū)分腎小球病變類型,病理醫(yī)生常需要參考不同染色來決定,本中心與IBM中國研究院團隊合作,提出了一種整合多染色視覺線索用于腎小球分類的兩層框架替代解決方案generator-to-classifier(G2C),利用PAS染色,然后使用生成器分別生成HE、PASM和Masson三色染色來幫助區(qū)分腎小球病變類型,較單一染色性能得到提高,但因生成的非真實圖像,臨床實用性有待驗證[9]。本中心隨后也利用多種深度學習算法建立腎臟病理分析系統(tǒng)(ARPS系統(tǒng))識別IgA腎病(IgAN)患者PAS染色切片中球性硬化、節(jié)段硬化、新月體,結果ARPS系統(tǒng)識別的腎小球病變類型和病理專家標記的金標準之間的κ值(用于評價兩種方法一致性的常用指標)分別可達1.0、0.776、0.861[10]。球性硬化包括腎小球廢棄、腎小球固化和消失中腎小球。腎小球廢棄是指腎小球包囊腔被膠原樣的PAS陽性物質填充及毛細血管袢皺縮,腎小球固化是指整個毛細血管袢凝固而沒有包囊腔膠原樣改變,消失中腎小球是指腎小球包囊壁消失或部分消失,腎小球內結構部分溶解甚至與周圍間質相連。Lu等[11]將腎小球分為五類:正常腎小球、周圍纖維化腎小球、廢棄腎小球、固化腎小球和消失中腎小球,使用CircleMix增強算法識別這幾種類型腎小球,準確率在69.4%～73%。

腎小球內固有細胞增殖是多種腎小球疾病的病理表現(xiàn)之一。Sarder等[12]設計一種多模態(tài)方法自動提取大鼠PAS染色切片腎小球的相關特征,包括Gabor紋理分割精確定位腎小球邊界,彩色反褶積、形態(tài)處理和瓶頸檢測等識別和分割腎小球內細胞核。Barros等[13]使用高斯方法提取人腎組織HE和PAS染色切片中腎小球的特征,并用k鄰近算法(KNN,即將樣本歸類在特征最鄰近的一類中)將腎小球分為增殖性腎小球和非增殖性腎小球,最終模型識別增殖性腎小球的敏感性達88.3%。本中心使用由深度學習算法建立的ARPS系統(tǒng)識別IgAN患者PAS染色切片中非硬化腎小球中三種固有細胞,包括系膜細胞、內皮細胞和足細胞,平均準確性達92.2%,超過低年資病理醫(yī)生5%～11%[10]。

腎小管間質的識別

腎小管間質疾病及多種腎小球疾病均可累及腎小管及間質。Bevilacqua等[14]使用人工神經網絡模型對腎小管和腎血管進行二分類,結果顯示區(qū)分腎小管和腎血管精確度和召回率>90%。目前病理評估腎間質纖維化主要依靠人工在Masson染色切片下進行半定量評估,存在明顯的主觀差異性等問題。Ginley等使用CNN模型分割移植腎和糖尿病腎病(DN)患者腎組織PAS染色中腎小管萎縮間質纖維化(IFTA)部分,結果顯示模型評估IFTA百分比的κ值與病理醫(yī)生之間的κ值相近(模型:0.45～0.55,病理醫(yī)生:0.41～0.58)[15]。

腎臟整體結構的識別

隨著技術的發(fā)展成熟,越來越多的研究使用人工智能技術同時識別腎臟多個結構和病變。Hermsen等[16]使用CNN模型識別移植腎組織單一PAS染色WSI切片基本結構包括腎小球、腎小管、動脈、間質等11個分類,結果顯示模型識別總體的平均Dice系數(模型分割的圖像和病理專家標注圖像之間一致性的評價指標)為0.80,分類效果最好的是腎小球Dice系數為0.95,其次是總腎小管分類和腎間質Dice系數均為0.88,外部驗證也可達同樣的效果。Jayapandian等[17]研究顯示深度學習可基于多種染色切片識別腎臟基本結構,包括HE、PAS、PASM、Masson染色,識別的結構包括腎小球、腎小管、腎動脈和管周毛細血管等,其中PAS染色切片中結構的識別效果最好[17-18]。Bouteldja等[19]使用深度學習算法識別多種腎臟疾病動物模型中結構和病變,模型提取的病理特征顯示疾病模型中存在明顯的間質增寬,腎小管擴張和萎縮、腎小球體積的變異性等,且基于小鼠等動物訓練的深度學習模型擴展到熊、豬和人等其他物種中,也有較好的識別效果。以上研究提示深度學習模型可同時識別腎臟多種結構和病變,具有強大識別效能及泛化能力。

免疫熒光和電鏡結構的識別

除了腎臟病理光鏡切片,免疫熒光也是腎臟病理診斷的重要組成部分。Kitamura等[20]使用深度學習模型識別DN患者免疫熒光圖片,包括IgG、IgA、IgM、C3、C1q和Fibrinogen等熒光圖片,結果顯示模型對DN的診斷率高于病理醫(yī)生(83.28% VS 67.5%)。Ligabue等[21]使用卷積神經網絡對熒光圖片結果進行判定(包括形狀、部位、分布、強度),熒光種類包括IgG、IgA、IgM、C3、C1q、κ輕鏈、λ輕鏈和Fibrinogen,模型的準確性在0.79～0.94,且模型識別的速度比病理醫(yī)生快117倍。

電鏡也是腎臟病理診斷的重要組成部分,特別是對于電子致密物的檢測至關重要。有研究者使用3萬張腎活檢電鏡圖片訓練深度學習模型,最終模型檢測圖片是否含有電子致密物的準確性達80%(未發(fā)表資料),但電子致密物的定位尚需進一步研究。

腎組織免疫病理分析

免疫組織化學染色可協(xié)助判斷細胞分子的表達情況,廣泛應用于臨床和科研。Kim等[22]使用CNN算法識別C4d免疫組化染色切片中的管周毛細血管(PTCs),結果顯示模型識別C4d陽性PTCs召回率88.21%,精確度為93.84%,模型識別C4d陰性PTCs召回率80.94%,精確度為71.08%,可用于輔助抗體介導的移植腎排斥反應的診斷。利用人工智能定量分子表達情況優(yōu)于傳統(tǒng)定性方法,有望提高腎組織分子學的定量分析。

腎臟病理指標與病理分型(級)

多種腎臟疾病需要分型(級)來綜合判斷疾病嚴重程度和預后。Hermsen等[16]使用CNN模型識別移植腎組織PAS染色WSI切片基本結構,模型識別的間質面積百分比與病理專家Banff分型中間質纖維化和總體炎癥評分相關性分別為0.55和0.71,模型識別萎縮小管百分比與病理專家間質纖維化和小管萎縮評分相關性分別為0.62和0.58,模型識別的間質百分比和萎縮小管百分比與病理專家IFTA評分相關性分別為0.33和0.58,腎小管萎縮表現(xiàn)差異大增加模型識別難度,間質水腫和間質炎癥也會引起間質寬度改變,導致模型與病理專家評分之間差異。Ginley等[23]使用機器學習方法提取DN患者PAS染色切片中腎小球顏色、紋理、形態(tài)、飽和度和距離等232個特征,使用Tervaert提出的DN病理分級標記WSI切片,訓練遞歸神經網絡(RNN,具有樹狀階層結構和網絡節(jié)點的神經網絡,適用于數據的分類任務)模型,最終模型預測腎小球分級與病理專家的Tervaert分級之間的κ值為0.55,與病理醫(yī)生之間的κ值相近。本中心首先利用ARPS系統(tǒng)識別IgAN患者的系膜細胞,與原始圖像顏色信息相結合的方法來自動評估患者系膜積分(M積分),ARPS系統(tǒng)判定的M積分與病理醫(yī)生之間的κ值達0.42[10]。

腎臟病理與臨床預后及分子生物學的相關研究

腎小管間質慢性病變在多種腎臟疾病中有提示預后的作用。Ledbetter 等[24]使用80例原發(fā)性腎病綜合征患者PAS和Trichrome染色WSI切片訓練CNN模型,模型預測12個月時eGFR與真實值之間只有17.55 ml/min誤差。Kolachalama等[25]使用171例慢性腎臟病患者Masson染色圖像訓練CNN模型,預測患者1、3、5年腎臟存活情況,AUC值均在0.87以上,其效果優(yōu)于病理專家纖維化評分模型。以上這些研究提示模型能夠從腎活檢切片中學習有用的特征,用于預測腎功能的進展情況。

研究顯示APOL1基因的遺傳變異與非糖尿病腎病、移植腎失功等相關。徐軍教授團隊利用深度學習模型識別正常腎組織中APOL1基因型的圖像特征,從而通過常規(guī)腎組織病理染色即可預測APOL1基因的突變風險(未發(fā)表資料)。從常規(guī)腎穿刺活檢病理中獲得微觀分子的改變,不僅可為無法進行分子檢測的患者提供指導,還有助于深入研究病理與基因之間的關聯(lián)。

小結:從20世紀50年代發(fā)展至今,人工智能技術已展現(xiàn)出強大的數據處理能力和預測性能。人工智能在腎臟病理圖像的相關研究結果如表1所示,由最開始腎小球的識別到整個腎臟結構的識別,部分涉及腎臟病理特征與臨床預后及生物信息學的關聯(lián)分析。Barisoni等[26]指出腎臟病理已步入數字化時代,人工智能技術將從識別病變、輔助疾病分型、預測預后到整合臨床及組學數據等多個方面改變目前腎臟疾病的治療和預防模式。在未來的研究和應用中,腎臟病理專家、數據分析家和人工智能的結合有望產生更準確和突破性結果,助力腎臟疾病精準醫(yī)學的進展并指導患者的個性化診療。

表1 人工智能在腎臟病理領域的應用總結