人工智能提升肾病诊治水平 | 2019 年度回顾

2020-01-10 20:01 来源:丁香园 作者:xiaospring
字体大小
- | +

随着对人工智能(AI)研究的深入,AI 的触角已经向人们日常生活的每一个角落延伸,医疗行业也一样。在肾脏病领域,AI 越来越多地被用于各种肾脏疾病的诊断和预后判断。

美国佛罗里达大学医学系 Parisa Rashidi 以及 Azra Bihorac 教授撰写专题文章,回顾了 2019 年 AI 在肾脏病领域的运用,文章发表于近期的 nature reviews 子刊。

肾脏疾病是一个重要的全球健康问题。美国卫生和公众服务部发起的「促进美国肾脏健康」倡议将肾脏疾病的防治作为最优先考虑的项目。美国有七分之一的成年人患有肾脏疾病,是 10 种主要的死因之一。肾脏疾病的花费占整个医疗保险支出的 23%,但即使如此,仍有半数患者对自身疾病没有引起足够的重视。这一大胆的呼吁旨在减少肾衰竭风险,促进建立以人为本的护理体系,改善包括肾移植在内的治疗流程,提高医疗质量。为了达成这个目标,就需要使用更加先进的诊断、预防及治疗手段,来提高对急性肾损伤(AKI)和慢性肾病(CKD)的认识。

近年来,AI 已经大大改变了数据的分析和使用方式。目前的 AI 与科幻小说中的描述相去甚远,现有的 AI 还只是在一些特殊的场景中使用,例如人脸识别或语音识别,在这些领域,AI 可以碾压人类。在医学上,AI 在某些领域也显示了非凡的作用,比如对数字化图像的处理,其在成本、速度及准确性方面都有很大优势。

一、电子健康数据

在美国,约四分之一的住院病人会发生 AKI。这些患者花费了大量的医疗资源,预后较差,可惜的是医患双方都没有意识到这一点。

目前临床上主要通过血清肌酐的变化来识别和治疗 AKI,除了利用电子健康档案中的数据来提高 AKI 诊断的自动化之外,还可以开发准确、自动化的 AKI 预测模型。Tomašev 等人利用退伍军人健康管理局 70 万名患者(主要是男性)的电子健康记录,开发了一个预测 AKI 风险的模型。该模型能够预测 55.8%  的住院 AKI 事件和 90.2%  的需要透析的 AKI 病例的风险,提前时间为 48 小时,错误预警率为 2:1。这样一个具有良好性能的模型,目前还存在可操作性及可解释性欠佳的问题,其预测未来 AKI 发作的前三个因素是:入院前血清肌酐、最近的血清肌酐和最近的血清钙。相信随着在更多人群中的验证,这个模型可能成为临床决策的有力工具。

二、术中生理信号

Adhikari 等人分析了 2911 例手术患者术中随时间变化的生理数据,对术前和术中数据进行动态整合,来预测术后 AKI 的风险。既往预测 AKI 的模型利用的仅仅是术前的数据,他们发现如果把术中的临床和生理数据加进去分析,可以大幅提高该模型的性能和准确性。修正后的模型可以将 40% 原先被认为低风险的人群识别出来,划入高风险人群。该方法证明了将术中数据纳入手术 AKI 风险模型的重要性,并证实了利用连续数据流动态调整风险模型的重要性。

三、肾脏超声图像

肾脏领域里,利用 AI 对医学图像进行分析非常具有前景。Kuo 等人开发了一个模型,可以利用肾脏超声图像来自动估计肾小球滤过率(eGFR)和 CKD 状态。他们利用超声图像测量肾脏长度,并转换为 eGFR。利用模型得出的 eGFR 和利用血清肌酐计算出来的 eGFR,两者的相关系数只有 0.74,最主要是缺乏评估 GFR 的金标准。以模型计算的 eGFR < 60 ml/min/1.73m2  就认定为 CKD 状态,这样的话,该模型的 CKD 状态判断准确率为 85.6%。而把这些超声结果给 4 位经验丰富的肾脏病学家,请他们对 CKD 状态进行判断的话,准确率只有 60.3%~80.1%。该模型特异性高(92.1%),敏感性中等(60.7%)。这件事情说明,AI 在肾脏超声图像的扩展应用方面很有前途。

四、肾脏组织病理

Hermsen 等人还将 AI 用在了肾脏组织病理学图像分析中。他们训练了一个卷积神经网络(注:深度学习的代表算法之一),用 40 张带注释的肾移植活检染色标本的全景图像进行多类分割。然后,他们在 4 个独立的数据系统中,分别测试了 10 个肾脏组织标本(包含肾皮质和髓质的肾活检标本及肾切除标本),发现最容易被分割识别的类型是肾小球,其次为肾小管和间质。该网络检测到肾切除标本中 92.7% 的肾小球,其中 10.4% 为假阳性。在所有肾移植活检样本中,病理学家计数的肾小球数目与该网络计数的肾小球数目,两者平均组内相关系数 0.94。

五、总结:

这些最新的方法为评估不同环境下的肾脏健康提供了更精确、更有效和更方便的方法。尽管最近取得了一些进展,但 AI 在肾脏病的应用仍然面临许多挑战。目前,AI 主要还只能使用一种类型的数据(如图像、生理信号或临床数据等)。我们期望未来的 AI 模型能够集成多种数据,以提高它们的可靠性和准确性。必须将具有代表性的患者群体纳入这些模型,以实现模型公平性,并解决基于性别、种族或其他因素的偏倚。开发 AI 模型,要围绕以人为中心,为肾移植提供更好的建议。

AI 的发展还将依赖于智能和互联健康领域的颠覆性创新,特别是能够准确获得门诊和住院患者精细数据的传感器。AI 模型需要在前瞻性和多中心验证研究中进行客观评估,为肾脏病 AI 算法的转化研究和 FDA 批准铺平道路。

查看信源地址

编辑: 徐德宇

版权声明

本网站所有注明“来源:丁香园”的文字、图片和音视频资料,版权均属于丁香园所有,非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:丁香园”。本网所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。同时转载内容不代表本站立场。

网友评论