人工智能在肾脏病理中的应用2024.docx

《人工智能在肾脏病理中的应用2024.docx》由会员分享，可在线阅读，更多相关《人工智能在肾脏病理中的应用2024.docx（16页珍藏版）》请在课桌文档上搜索。

1、人工智能在肾脏病理中的应用2024摘要近年来，人工智能在肾脏病理领域受到广泛关注，如识别肾脏组织结构、评估病变程度等方面。肾脏病理检查是肾脏疾病诊断的金标准，而组织化学染色是评估肾脏病变的前提，肾活检需要通过多种染色评估，包括苏木精-伊红染色HE1过碘酸希夫染包PAS1马松三色染色Masson)及免疫染色等，不同染色方法侧重评估的结构不同。该文综述了人工智能在肾脏病理尤其是不同组织化学染色处理方面的应用和进展。关键词人工智能；深度学习；组织细胞学制备技术；肾脏病理；虚拟染色肾组织病理检查是肾脏病诊断的重要方法，组织化学染色可以描绘特定结构和细胞的特征，提供疾病诊断和预后等相关信息。常用的染色方

2、法包括苏木精-伊红染色(hematoxylin-eosinstaining,HE过碘酸希夫染色(periodicacid-Schiffreaction,PAS)、六胺银染色(periodicacid-silvermethenaminestaining,PASM)、马松染色(MassonstrichromestainingzMasson)和免疫染色等。目前肾脏病理诊断和定量评估主要依靠病理医师视觉评估,如IgA肾病MEST-C评分和肾移植活检Banff评分，虽然这是评估肾组织病理改变的重要方法，但亦存在许多局限性，如观察者视觉评估的变异性高和重复性差等1L由于传统方法不能满足精准医学对定量、无偏

3、倚、可重复性和高效的组织病理学分析的需要,因此快速、准确的诊断评估方式显得十分必要。随着科学技术的进步和科学知识的增长，人工智能(artificialintelligence,AI)在医学领域引起了广泛的关注。Al是利用计算机技术模仿人类智能的一种技术2o深度学习是AI的最新进展，AI由多个处理层组成,可以学习多个抽象级别的数据3o医疗领域已经步入大数据时代，为了促进医疗健康事业的发展，我们需要深入探索生物医学数据之间的联系。深度学习拥有集成学习、端到端学习、迁移学习的特征及强大的多模态数据分析能力，为我们解决问题提供了新思路和新方法。卷积神经网络(convolutionneuralnetwo

4、rkzCNN)是深度学习算法中的一种，其在医学图像分析和计算机视觉领域已表现出巨大的潜能30近年来，本课题基于深度学习开发出一种能自动识别肾组织病理切片中的肾小球的AI模型，该模型识别肾小球水平优于病理医师水平，显著提高了识别和计算肾小球的效率4-5LAI在病理学中发挥辅助诊断作用离不开全玻片成像(wholeslideimage,WSI)系统。WSI系统通过扫描整个病理组织切片生成高分辨率的全视野数字组织图像6o美国病理学家学会已经发布了用于诊断目的的WSI系统临床验证指南，得到了病理医师们的广泛认可7L研究者们建议使用网络数字病理评分系统评估WSI的肾小球形态特征,在临床实践中为肾活检组织的

5、形态学分析提供依据8L深度学习在肾脏定量组织病理学分析中有着巨大潜质。本文综述了AI在肾脏病理尤其是不同组织化学染色方面的应用和进展。一、AI在肾脏病理HE染色中的应用和进展HE染色于19世纪70年代被提出,至今仍为组织病理染色中最常用的方法，在所有染色中占比高达80%,可能原因与HE染色适用范围广且操作简便有关。苏木精可以将细胞核染成蓝色，伊红可以将结缔组织和细胞质染成红色。HE染色作为一种非常有价值的工具，可以在光镜下展现组织形态特征，从而分辨不同组织，观察细胞变性、坏死及间质纤维化等改变9-10oHE染色是肾脏组织病理学中最基础的染色方法，可以辅助诊断多种肾脏病变，如肾小球硬化、肾小球细

6、胞增生、新月体及肾小管间质性肾炎等。近年来，AI在肾脏病理HE染色中的应用越来越多。肾小球硬化是慢性肾衰竭的主要病理改变之一，其病理表现为肾小球细胞数减少、基底膜塌陷及系膜基质增宽，预示疾病预后较差。因此准确评估肾小球硬化程度十分重要，但在HE染色中球性硬化肾小球与间质融为一体，病理医师不易辨认，不能准确估算球性硬化肾小球数量9oMarsh等11的研究显示，利用深度学习可自动识别和分割HE染色肾冰冻切片的数字病理图像中的硬化肾小球，计算球性硬化肾小球百分比，准确率（正确预测的例数占总样本数量的比例）较病理医师高22%12,表明AI可以识别人眼不能辨认的结构，提高病理评估的准确性。肾小球增殖性病

7、变是常见的肾小球活动性病变，特征性改变为肾小球不同区域细胞核数量增加13oChagas等14结合CNN和支持向量机（可解决二分类问题的机器学习算法）对肾小球增殖性病变进行二分类和多分类，包括无病变、系膜细胞增多、内皮细胞增多以及混合病变，为了证明提出模型的高性能，将所提出模型与3种先进模型进行比较,结果表明，在二分类任务中CNN-支持向量机表现最佳，准确率达100%；在多分类任务中，CNN-支持向量机平均准确率为82%,较其他分类模型表现突出，该研究为深度学习在肾小球增殖性病变中的应用奠定了基础。为了识别多种肾小球病变，Yang等15结合长短记忆网络和循环神经网络构建肾小球疾病分类模型，并按照

8、国际肾脏学会（ISN）/肾脏病理学会（RPS）狼疮肾炎病理分型训练肾小球病变分类模型，在多中心数据集中，该模型检测球性硬化肾小球准确率达99%,模型识别肾小球病变的受试者工作特征曲线（ROC曲线）下面积为0.6870.947。在单纯识别肾小球病变的基础上，研究者们进一步研究新的算法使AI可用于评估疾病严重程度、预测疾病预后。IgA肾病病理评估系统可以判断患者严重程度和预后,从而指导临床治疗，Sato等16通过无监督深度学习的方法，提取IgA肾病肾小球病理改变特征，输出结果为组织学评分，研究结果提示包含肾小球硬化和新月体形成的组织学评分与尿蛋白、血肌肝等临床指标存在相关性，该模型有助于实现病理评

9、估的标准化。准确预测移植后肾功能对肾移植受者至关重要。Luo等17收集肾移植供体肾活检数字病理图像和受体的临床数据，通过CNN提取WSI病理图像特征，并将收集的临床数据输入模型，构建多模态预测模型，预测移植后肾小球滤过率和移植后肾功能减退,多模态预测模型的ROC曲线下面积比临床数据模型增加了0.14和0.12o二、AI在肾脏病理PAS染色中的应用和进展PAS染色于20世纪40年代提出，作用是使糖类物质着色，又称为糖原染色。在肾脏疾病中，糖原主要存在于基底膜，因此在PAS染色中能清楚地观察到基底膜形态结构9o基底膜是肾小球、肾小管、动脉和管周毛细血管的分割边界，由于PAS染色突出显示基底膜结构，

10、因此相较于HE染色更适合用于肾组织结构的识别和分割。Hermsen等18利用多中心PAS染色数字化病理图像训练CNN,实现肾皮质区域肾小球、肾小管和间质的分割和量化，在肾小球方面表现尤佳。Bouteldja等19开发了一种多类分割CNN,用于分割小鼠和人等肾脏PAS染色图像上的6种主要结构，并量化了肾小球大小、肾小管直径和间质面积等形态特征，可提供肾组织形态特征的信息。PAS染色除了可更好地应用于组织结构的分割，还可用于观察肾小球结构病变，包括基底膜增厚、系膜基质增宽、肾小球硬化和纤维性新月体，以及中晚期糖尿病肾病特征性的结节性肾小球硬化症等10oBueno等20基于深度学习在肾组织PAS染色

11、中的应用，实现了肾小球分割以及球性硬化肾小球的分类。Uchion等21通过构建肾小球病变分类模型，自动识别新月体、基底膜增厚、系膜基质增宽、系膜细胞增生、毛细血管内细胞增生、肾小球节段硬化和球性硬化，该模型不仅与病理医师的判断结果准确率相当，而且能辅助其提高诊断准确率。Ginley等22开发了一种检测肾小球、细胞核等结构的CNN,依据Tervaert分级量化糖尿病肾病病理结构，预测糖尿病肾病病理分类。Zheng等23开发了一种狼疮肾炎肾小球病变的自动分类模型，将其分为轻微病变、严重病变、球性硬化，肾小球病变程度的评估有助于指导狼疮肾炎的治疗和改善预后，但该模型对硬化肾小球的分类精确度（又称查准

12、率，指预测为正例的样本中预测正确的比例次为0.739仍需大规模数据集训练以提高模型性能Zeng等24利用多种深度学习算法在PAS染色的IgA肾病肾组织WSI图像中识别新月体、球性硬化和节段硬化性肾小球，识别并量化肾小球固有细胞（内皮细胞、系膜细胞和足细胞），建立肾脏病理分析系统。三、AI在肾脏病理Masson三色染色中的应用和进展Masson三色染色于20世纪20年代被提出，是观察结缔组织最主要的染色方法。Masson三色染色后的细胞质和免疫复合物呈红色，胶原纤维呈蓝色，肌纤维呈红色，纤维化区域中的胶原蛋白染成蓝色9,常用于评估间质纤维化的程度，区分间质水肿和纤维化10oMasson三色染色被

13、认为是评估肾脏纤维化的金标准，肾脏纤维化包括肾小球硬化和肾间质纤维化两种亚型25o肾脏纤维化与肾脏细胞损伤和炎细胞浸润有关。肾小球固有细胞均可产生细胞外基质，在病理情况下，受损的肾小球细胞和炎细胞释放炎性因子,促进纤维化进展，最终呈现肾小球硬化的表现25,因此，肾小球硬化是肾脏纤维化的一部分。在Masson三色染色中可清楚地看到被染成蓝色的硬化肾小球。在肾组织中定位肾小球是实现病理诊断自动化工作流程中重要的一步。Bukowy等26利用大鼠肾组织切片训练CNN,自动识别和定位Masson三色染色切片中的肾小球，由于人和鼠肾小球之间存在差异，用人类样本验证模型时，精确度仅为80.2%,召回率（又称

14、查全率，指预测正确的正例样本数占总实际正例样本的比例）为81.67%,可以用人肾组织样本训练CNN以提高模型性能。Kannan等27用1496张图像训练深度学习模型，准确识别和分割Masson三色染色数字病理图像中球性硬化肾小球，F1值为0.632,与其他研究12,18相比，不足之处在于未计算硬化肾小球百分比。肾间质纤维化是多种慢性肾脏病发展的最终结果，常伴有肾小管萎缩和问质炎细胞浸润等病变。评估肾间质纤维化程度有助于指导治疗和预测预后。在常规评估病理工作中，通过形态计量学很难准确评估间质纤维化程度。研究发现,病理医师在评估间质纤维化方面存在观察者间的差异性25o目前AI已经被用于评估肾间质纤

15、维化。研究者们利用AI在Masson三色染色图像上评估肾间质纤维化，取得了良好的表现。Zheng等28开发了一种深度学习框架,模拟病理医师对WSI中肾间质纤维化伴肾小管萎缩进行分级，分为正常（010%轻度（11%25%）、中度（26%50%）和重度（50%）,结果显示该模型对肾间质纤维化伴肾小管萎缩等级预测仅需30s,交叉验证结果表明，模型预测与病理医师评估的肾间质纤维化伴肾小管萎缩等级之间具有良好的一致性，三=0.620.07o四、Al在肾脏病理免疫染色中的应用和进展免疫染色是组织病理学中被广泛应用的诊断技术。免疫染色基于抗原抗体特异性结合原理，检测蛋白等目的分子，对其进行定位、定性和半定量

16、分析。免疫染色是诊断肾脏疾病不可或缺的一种方法，在临床病理工作中，HE染色和特殊染色提供的病理信息有限，常需要免疫染色帮助才能准确地诊断和评估疾病，如IgA肾病、抗肾小球基底膜肾炎及C3肾小球肾炎等290免疫染色能较好地检测到沉积在肾间质、肾小管和肾小球中的免疫球蛋白（Ig）和补体，包括IgA、IgG、IgM、CIq、C3、C4、纤维蛋白原、K和碍链130Ligabue等29基于CNN实现了识别免疫荧光图像上不同免疫沉积物的外观、分布、位置和强度的特征，并进行了分类性能的评估，但线性沉积物的分类性能远低于其他特征，F1值（又称F分数，是精确度和召回率的加权平均值，准确率和召回率都高时，F1值也

17、高)仅为0.26o为了提高沉积物外观分类性能，Zhang等30利用多注意CNN评估免疫沉积物的位置和外观，准确率分别为98%和95%,较之前的模型性能有所改善。免疫染色还可通过特定抗体标记出细胞表面相应抗原，以确定细胞类型。移植后肾脏炎性反应程度与肾间质纤维化伴肾小管萎缩分级有关，Hermsen等31结合多重络氨信号放大技术(multiplextyramidesignalamplification,mTSA)和CNN,对细胞表面标志物进行高密度原位标记，评估肾小管周围毛细血管范围、炎性细胞浸润密度、比例和距离等，该模型检测炎性细胞的F1值为0.770.82。足细胞是肾小球滤过膜的重要组成部分，

18、抗中性粒细胞胞质抗体相关性肾小球肾炎病理改变出现足细胞损伤，而足细胞丢失并未得到证实，Zimmermann等32基于CNN通过间接免疫荧光染色评估足细胞的数量、大小及分布，模型检测足细胞的ROC曲线下面积为0.9630.999,研究发现抗中性粒细胞胞质抗体相关性肾小球肾炎患者足细胞数量减少并伴有代偿性肥大。Kim等33-34利用深度学习检测免疫染色C4d阳性的肾小管周围毛细血管,量化C4d阳性肾小管周围毛细血管的比例，CNN结果与病理医师观察结果一致。由于AI在图像分析方面表现出色，Kitamura等35大胆提出将AI用于糖尿病肾病免疫荧光染色图像来提取目前未知的结构特征，进而辅助疾病诊断，结

19、果表明AI可以识别免疫荧光图像中血管壁的改变，该部分改变用人眼很难观察到，并且在糖尿病肾病诊断中的准确率高于病理医师。AI在各种肾脏病理染色方法中的应用见表1。表1人I：智能在各种肾脏病理染色方法中的应用柒色方法主要应用发表年份深度学习方法WSI/研究对象和例数模型性能HE染色肾小球病变分类:硬化胃小球和非硬化行小球2018CNN肾移桢供体肾冷冻切片员化非硬化肾小球的精确度为0.813.召回率为0.885.Fl值为0.848；4利和Ia化硬化W小球的精确度为Oa）7,6间率为0.698.Fl仇为0.649比较料H区，、深收学习根化肝物楠供体将冷冻切片中饿性硬化肾小球的性能”2021ECN83个

20、供体廿航IM张冷冻切片VSl杈N计算设原低于病理饭UU怛ftM丢汴器官的比例降低37%什小球病变：二分类和多分类（包括无病变,系膜细胞增多.内皮细胞增多以及混合增生）U2020CNNMl张件脏WSl在一分类任务上CM-SV表现最佳.准确率达100%：在多分类任务,CNN-SVM平均准确率为82%.肾小耳疾病分类廉屎病肾病原疮胃炎、2022膜性肾病;肾小球病变分类:细胞/纤维细胞新月体、毛细血管内细胞增生.炎性细胞、透明变性样沉积、节段硬化和球性硬化”CNN653例各类肾脏疾病患苻竹小球疾病分类模型准确率最高为0.94.将小球病变识别模型RUC曲线F面积最高为0.947病理分级:自动i忤口蜡肾病

21、患并肾小球病理组织学评分小2021CNN68例IgA肾痢患者纲织学评分与尿蛋白.收缩压及尿潜血等隘床指标相关情测仔移植后肾脏估算H小球就过率和移梢后肾功能172021CNN219例肾移植患者深度学习模M和临床数据结合可将预测佑算肾小球罐过率和移植后肾功能MiB的准确性分别提存0.1410.12PAS%.廿脏结构分冽:叶小球.H小静、动脉.卧脓狗质等小书竹小球故址.向的而枳百分比与菱缩肾小管比例2019CNN40裱W移MWSl%类分别粳M的Diee系数为0.84;M嵬对网质和砰小管分制的Diee系数为0.88和092;模型区分近端小管和远端小管的D诵系数为0.87刖0.81肾组织多类结构分割;肾

22、小球.肾小管、动脉、静脉、动脉管腔、间质等;依据Banfr分类计算肾组织学评分E2021CNN动物样本：41只健耀雄性小鼠模型对肾小管分割的准确率达到及其他5种肾脏疾病模型小鼠90%;在人类肾组织切片中的动脉各15只.以及猪.熊.狼猴,大鼠；及管腔分割准确率80%患者样本：16张人类肾组织切片仔小球结构分对,依据TerVam分型对糖尿病肾病肾小球进行病理分级-j2019CNN和RNN54张人类WSl和25张小鼠NSl模型对糖尿病将病肾小球病理分级结果与病理医师中度一致.CUherfkaPpa为0.55仔小球分类:健化甘小球和非陵化仔小球”2020CNN47张人竹脏WSl分类准确率为98.16%

23、一小球病变分类:球性硬化.节段硬化.毛细血管内皮细胞增生、系根果质增宽、系腆枷胞增空,新月体、用腹病变二2020CNN283例忏脏病患者使病理K肺分类敏感性提高“明,特府限屈0.04W小琳JlI变分类:隙性硬化前段硬化,新Jl体厂竹小球细胞:系联细胞.足加制.内皮细胞;N砧系朕细胞评分“2020CNN400例IgA肾病患亦校眼。病胤氏帅在肾小理利变分大效n极高.（.el95张VSl慢型与病理入体之间达中度一致性.=0.622免疫染色识别免段沉积物的位W.外AL分布2020CNN2542例行活检患并根H评估免疫斐比特济推确率80%.及强度Z桶确度较低(34%71%).与病理医部之IillK-0.

24、54识别免疫沉积物沉枳位IS和外观w2022CNNI846例免疫射光图像住沉租位置和外观方面的正确率分别为98“和95%IS化炎性细胞浸涧程度”2021InTSA和22例肾移枕6周后DCFie指段次检渊炎性细施的11侑为0.77-CNN结合的仔活检样本0.82:模狠评估结果病理族脑结果的IFTA存在相关性识别CM性和阴性的肾小管周的2019CNN380例归移梢活检患者馀测C4J阳性和阴性好小管周南三细毛细曲首.计算其比例E血管的精确度分别为093JU10.7I1.阿率分别为0.882和0.809Fl动评估忏小管网用E细值臂GM2020CNN100例忏移植患并算法结果Lj病理区帅以及共识诊断私部

25、分M本效,值分别为0.51和0.61足细胞教址、大小及密度Q2021lNrl110例抗中性粒细胞胞质杭体相关性甘小球仔炎快5?的ROC曲殁卜曲更为0.76通过免段荧光图像诊断惭域病肾病”2020CNN885例精尿病肾病患希梗51的ROC曲线Frti积为0.931.00注:CNN：卷机神经网络:FC、：全赛全I经网络;R、N：循环神经网络:mRA:多盅络气信号放大技术;WSh全破片成像：SVM：支持向fit机;I)GF:住植物功能隹迟恢复：IFT：特侧质杆堆化和背小管妾潸；RW：曲线:受试片I作特祉曲线五、AI在肾组织病理染色处理中的应用和进展组织化学染色是病理诊断的基础。肾活检组织通常需要经过

26、数小时的样本处理、切片和组织化学染色才能制成组织染色切片。肾脏疾病由于其特殊性，常常需要特殊染色为不同组织结构提供对比度和颜色，以便病理医师能清晰地识别各种组织损伤。HE染色过程较简单，但特殊染色对技术员的要求高，染色程序复杂，需要耗费数小时甚至1d的时间，且染色过程既造成组织样本不可逆损伤，又浪费材料资源并增加病理诊断的时间。随着技术的进步和医疗体系对成本及效益的要求，组织化学染色技术不断改进，以达到更高效和更精准的技术水平。然而，目前肾活检组织学染色方案尚未标准化，不同实验室使用的染色原料、染色方案、组织切片制备及室温环境等因素均可导致染色结果的差异，同时造成数字病理图像染色异质性，导致深

27、度学习模型在多中心或大规模数据集应用时不能实现良好的鲁棒性(robustness)36o为了解决这一问题,人们提出了虚拟染色技术。目前，深度神经网络被应用于虚拟染色技术，可以解决各种机器视觉任务。基于深度学习的虚拟染色技术需要借助光镜生成无标记显微组织图像，将获得的图像作为输入、输出组织染色明场图像37o目前已开发多种光镜提供成像功能，如紫外光声显微镜381自发荧光显微镜等37o虚拟染色技术依赖生成对抗网络(generativeadversarialnetworkzGAN)来实现。GAN由两种相互竞争的机器学习算法组成，一种是生成器网络，目的是创建虚拟染色图像，另一种是鉴别器网络，旨在区分虚拟

28、染色图像和真实染色图像。GAN能完成强大的图像处理任务，最大幅度减少因伪影引起的重复成像从而生成更高质量的虚拟图像39L无标记虚拟染色技术在肾脏病理中已受到广泛重视，自发荧光技术可无标记可视化组织内具有荧光特征的物质，如维生素、胶原蛋白、辅酶、脂肪酸等40ORivenson等37利用自发荧光显微镜获得无标记肾组织样本的自体荧光图像，再将其转化为明场显微镜等效图像，在数秒内实现虚拟染色，并且虚拟染色图像与传统染色图像相似度极高，能清晰展示细胞核、细胞质及其他病理诊断特征。Zhang等41开发了一种新的神经网络，引入数字染色矩阵，对组织的不同结构或区域进行染色，并且混合多种虚拟染色生成新数字染色，

29、这是虚拟染色所独有的，通过这种混合染色，可使病理医师更容易在同一组织切片上获取病理诊断相关的病理学特征，提高病理诊断的准确性和一致性。这两种虚拟染色技术避免了组织学染色过程，但仍然需要制作23m的薄切片来成像，在临床应用上面临着较大限制。光声病理成像技术摆脱了传统的组织病理学过程，其原理主要是通过DNA和RNA对紫外光的强吸收产生的超声信号来成像。Kang等38将基于循环GAN与紫外光声显微镜结合，开发了一种高速组织学成像技术，既可以实现脑组织薄切片虚拟HE染色，也可获得未处理无标记组织样本虚拟HE染色。Cao等42通过反射模式下紫外光声显微镜对未处理新鲜组织进行三维扫描得到高分辨率的灰度图像

30、，利用基于循环GAN（由两个GAN组成）的无监督深度学习方法给灰度图像染色，不需要图像配准，便于病理医师更好做出诊断，虽然这项研究主要是骨组织,但我们相信它也可以应用于肾脏病理。这种虚拟染色成像技术不需要组织处理和化学染色，节省了大量的时间和成本，有助于实现快速病理诊断、缩短患者住院时间。虽然无标记组织的虚拟染色技术为组织病理学开辟了新道路，但要广泛应用于临床还需要大量训练数据和更精确的深度学习算法，这些给临床应用带来了巨大挑战。因此有学者提出了一种切实可行的方法染色转化,后者通过计算机将已染色的组织图像转换为另一种虚拟染色图像，既保留病理实验室的组织处理流程，还具有虚拟染色技术的优点43o在

31、肾脏疾病中,deHaan等43提出一种基于监督学习的染色转化框架，使用完全配对的图像训练网络，将现有的HE染色图像转换为特殊染色虚拟图像（PAS、PASMxMaSSOn）,每个组织样本处理时间不超过1mino为了证明染色转化技术的有效性，研究者们进行一项盲法试验，结果显示虚拟生成的特殊染色图像显著提高了诊断质量，研究还表明，染色转化生成的虚拟图像质量在统计学上与实际特殊染色图像质量相当43JO六、Al在肾脏病理的未来和展望AI正在潜移默化地改变医学工作模式，并且在某些方面优于医学领域医师所得出的结果。基于AI的计算机辅助诊断系统作为一种高通量工具,在提高诊断准确性、简化临床工作流程、降低人力资

32、源成本、制定个性化治疗决策方面有着巨大的潜能，是实现精准医学的有效方法。为了使深度学习模型的工作性能更接近临床病理医师，研究者们用多种染色数字病理图像训练模型，这些研究为AI辅助诊断技术在未来临床工作中顺利应用提供了技术基础，加快了AI与医学的进一步融合15,36,44-45o目前Al仍存在许多不足和挑战，包括以下几个方面：(I)Al模型大多集中于分析HE染色、特殊染色，少数集中于分析免疫荧光，缺乏电镜组织学分析；(2)端到端深度学习需要大量的数据集作为训练对象，因此缺乏对于罕见肾脏疾病的研究；(3)数字病理图像的分辨率还未达到病理医师的水平，可解释性低，限制了其在临床中的应用。随着计算机硬件

33、及软件技术的发展和数据集的丰富，AI将可以精确提取多维信息，辅助病理医师提高诊断准确性，在诊断方法、指导治疗、评估疗效和预测预后等方面提供前沿指导。参考文献1. HermsenM1deBelT,denBoerMretal.Deeplearning-basedhistopathologicassessmentofkidneytissueJ.JAmSocNephrol,2019,30(10):1968-1979.DOI:10.1681ASN.2019020144.2. BeckerJU1MayerichD1PadmanabhanM,etal.Artificialintelligenceandmac

34、hinelearninginnephropathologyJ.KidneyInt.2020,98(1):65-75.DOI:10.1016j.kint.2020.02.027.3. LeCunY,BengioY,HintonG.DeeplearningJ.Nature,2015r521(7553):436-444.DOI:10.1038nature14539.4. 杨会，张兴娜，姜秋竹，等.基于FaSterR-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析J临床肾脏病杂志,2020,20(3):189-193.DOI:10.3969/j.issn.1671-2390.2020.03

35、.003.5. 杨会刘雪宇，张兴娜，等.基于级联区域卷积神经网络算法在肾组则理切片中对肾小球的识别与定位UL第二军医大学学报,2021,42(4):445-450.DOI:10.16781j.0258-879x.2021.04.0445.6. KumarN,GuptaRrGuptaS.WholeSlideImaging(WSI)inpathology:currentperspectivesandfuturedirectionsJ.JDigitImaging,2020.33(4):1034-1040.DOI:10.1007s10278-020-351-z.7. EvansAJ,BrownRW1B

36、uiMM,etal.ValidatingwholeslideimagingsystemsfordiagnosticpurposesinpathologyJ.ArchPatholLabMed,2022,146(4):440-450.DOI:10.5858arpa.2020-0723-CR8. ZeeJ,HodginJB,MarianiLH,etal.Reproducibilityandfeasibilityofstrategiesformorphologicassessmentofrenalbiopsiesusingthenephroticsyndromestudynetworkdigitalp

37、athologyscoringsystemJ.ArchPatholLabMed,2018,142(5):613-625.DOI:10.5858/arpa.2017-0181-OA.9. LucianoRL1MoeckelGW.Updateonthenativekidneybiopsy:corecurriculum2019(J.AmJKidneyDis,2019,73(3):404-415.DOI:10.1053j.ajkd.2018.10.011.10. CathroHRShenSS,TruongLD.Diagnostichistochemistryinmedicaldiseasesofthe

38、kidneyJ.SeminDiagnPathol,2018,35(6):360-369.DOI:10.1053j.semdp.2018.10.001.11. MarshJN1MatlockMKrKudoseS,etal.DeeplearningglobalglomerulosclerosisintransplantkidneyfrozensectionsJ.IEEETransMedImaging,2018,37(12):2718-2728.DOI:10.1109TMI.2018.2851150.12. MarshJN,LiuTCrWilsonPCretal.Developmentandvali

39、dationofadeeplearningmodeltoquantifyglomerulosclerosisinkidneybiopsyspecimensJ.JAMANetwOpen,2021,4：e2030939.DOI:10.1001jamanetworkopen.2020.30939.13. NajafianB,LuscoMA,AlpersCE,etal.Approachtokidneybiopsy:corecurriculum2022J.AmJKidneyDis,2022,80(1):119-131.DOI:10.1053jajkd.2021.08.024.14. ChagasRSou

40、zaL,AraujoI,etal.ClassificationofglomerularhypercellularityusingconvolutionalfeaturesandsupportvectormachineJ.ArtifIntellMed,2020,103:101808.DOI:10.1016j.artmed.2020.101808.15. YangCK1LeeCY1WangHS,etal.GlomerulardiseaseclassificationandlesionidentificationbymachinelearningJ.BiomedJf2022,45(4):675-68

41、5.DOI:10.1016j.bj.2021.08.011.16. SatoN,UchinoE,KojimaR,etal.EvaluationofkidneyhistologicalimagesusingunsuperviseddeeplearningJ.KidneyIntRep,2021,6(9):2445-2454.DOI:10.1016j.ekir.2021.06.8.17. LuoYrLiangJ,HuX,etal.Deeplearningalgorithmsforthepredictionofposttransplantrenalfunctionindeceased-donorkid

42、neyrecipients:apreliminarystudybasedonpretransplantbiopsyJ.FrontMed(Lausanne)r2021,8:676461.DOI:10.3389fmed.2021.676461.18. HermsenM,deBelT,denBoerMretal.Deeplearning-basedhistopathologicassessmentofkidneytissueJ.JAmSocNephrol,2019,30(10):1968-1979.DOI:10.1681ASN.2019020144.19. BouteldjaN,Klinkhamme

43、rBM1BulowRD,etal.Deeplearning-basedsegmentationandquantificationinexperimentalkidneyhistopathologyJ.JAmSocNephrol,2021,32(1):52-68.DOI:10.1681ASN.2020050597.20. BuenoG,Fernandez-CarroblesMMrGonzalez-LopezL,etal.Glomerulosclerosisidentificationinwholeslideimagesusingsemanticsegmentation.ComputMethods

44、ProgramsBiomedr2020,184:105273.DOI:10.1016j.cmpb.2019.105273.21. UchinoE,SuzukiK,SatoN,etal.Classificationofglomerularpathologicalfindingsusingdeeplearningandnephrologist-AIcollectiveintelligenceapproachJ.IntJMedInform,2020,141:104231.DOI:10.1016/j.ijmedinf.2020.104231.22. GinleyB,LutnickBrJenKY,eta

45、l.ComputationalsegmentationandclassificationofdiabeticglomerulosclerosisJ.JAmSocNephrol,2019,30(10):1953-1967.DOI:10.1681ASN.2018121259.23. ZhengZ,ZhangX,DingJ,etal.Deeplearning-basedartificialintelligencesystemforautomaticassessmentofglomerularpathologicalfindingsinlupusnephritisJ.Diagnostics(Basel

46、),2021,11(11):1983.DOI:10.3390diagnostics11111983.24. ZengC,NanYrXuF,etal.IdentificationofglomerularlesionsandintrinsicglomerularcelltypesinkidneydiseasesviadeepleamingJ.JPathol,2020f252(1):53-64.DOI:10.1002path.5491.25. ChenPS,LiYRNiHF.MorphologyandevaluationofrenalfibrosisJ.AdvExpMedBiolr2019,1165:17-36.DOI:10.1007/978-981-13-8871-2.2.26. BukowyJD,D