文章來源：ATYUN AI平台
由機器學習支援的成像分析可以準确預測慢性腎病患者的腎存活時間。
近日，《腎髒國際報告》發表的一項研究表明，腎髒活檢的機器學習和成像分析有助于幫助預測腎髒在慢性腎損傷患者中能充分發揮作用的時間。
研究人員利用深度學習和神經網絡(一種模仿人類大腦決策模式的機器學習方式)發現，在計算腎功能衰退時，一系列新的卷積神經網絡(CNN)算法比傳統的病理學估計評分系統更為精确。
波士頓大學研究小組解釋說:“在腎活檢樣本中，慢性腎髒損害通常是通過在腎活檢樣本中，獲得纖維化和管狀萎縮的數量來進行半定量評估的。”
“盡管病理學專家訓練有素的眼睛能夠判斷疾病的嚴重程度，并能以驚人的準确性檢測出組織病理學的細微差别，但這種專業知識并不是在所有地方都能得到，特别是在全球範圍内。”
根據美國國立衛生研究院的資料顯示，在美國約有14%的人患有慢性腎病。這種情況通常很少出現症狀，直到提高了定期監測的重要性，并準确地确定了疾病的進展情況。
“此外，迫切需要對病理疾病的嚴重程度進行标準化，以便在臨床試驗中确立的治療效果，可以用于日常實踐中治療同樣嚴重疾病的患者。”波士頓大學研究小組補充說道。
人工智能和成像分析是幫助病理學家完成這些任務的技術。人工智能可以識别多GB圖像中像素的圖案，為人類臨床醫生無法比對的令人難以置信的大量資料提供了詳細的分析級别。
将機器學習和成像資料結合的早期結果令人振奮。一些飛行員已經證明，人工智能工具幾乎可以和人類病理學家一樣精确，同時大大減少了分析大量資料所需的時間。
為了取得同樣的積極效果，波士頓大學的研究小組對2009年至2016年間波士頓醫療中心就診的171名患者的資料進行了調查。
這些患者代表了典型的慢性腎病患者，平均年齡為52歲，同時患有高血壓、糖尿病等并發慢性病。其中接近一半的人口是非裔美國人。
研究人員利用谷歌的Inception V3圖像識别架構，對數百萬張圖像進行了預訓練，以支援對可用腎活檢切片的變化進行識别。
該算法經過訓練，以确定可能的腎生存率為1年、3年和5年。由于該研究使用的是回顧性資料，是以該小組能夠将算法的預測與實際結果相比對。
結果顯示，在預測3個目标時段的腎生存率時，CNN模型比病理學家估計的評分系統好得多。該算法還能更準确地識别腎髒疾病的個體狀态。
來源：腎髒國際報告
“該研究的一個重要的優勢是機器學習技術被應用于正常腎活檢标本的trichrome-stained組織圖像，而不需要任何特殊的處理或數字掃描操作，”該研究小組指出,“這讓我們能夠直接比較機器學習分析的結果與來自相同标本的臨床病理報告的結果。”
使用深度學習技術也有助于建立比病理學家估計的評分更為複雜的評估架構，評分主要依賴于特定樣本中存在的纖維化程度。
該研究稱:“使用卷積，激活和集中（或二次采樣）等操作符，訓練CNN模型需要多次以系統化的方式執行這些操作，以将像素級資訊轉換為輸入圖像的進階特征。 ”
CNN模型訓練與使用單一值（纖維化評分）作為輸入特征以及相應輸出類别完成的病理學家模型訓練形成鮮明對比。這方面強調了利用計算機算法(如CNN)來捕獲來自整個圖像的像素級資訊的價值，并将其與感興趣的結果相關聯，而不是纖維化評分本身。
研究人員指出，盡管CNN的模型比簡單的評分要好，但病理學家估計的纖維化評分仍然是監測慢性腎病進展的一種非常有價值和準确的方法。
該研究指出：“機器學習算法顯然有局限性，并且提供了增量的價值，而不是取代人為因素。” “我們承認，腎病學家的臨床表現和診斷是建立在相關因素之上的，而不是孤立地對病變進行視覺和病理檢查。”
“盡管如此，使用有經驗的腎髒病理學家的準确性的計算機對組織學圖像進行分類的能力，有可能影響腎髒的實踐，特别是在資源有限的環境中。”
随着機器學習算法變得更加複雜，供應商可能很快就能将他們的發現更深入地內建到臨床決策支援工具中，以指導治療決策。
該研究總結說:“這種快速、可擴充的方法可以在護理的時候以軟體的形式展開，并具有實質性的臨床影響的潛力，包括增加腎髒學家的臨床決策。”
“在不同的臨床實踐和圖像資料集中對模型的進一步驗證，對于在典型的病理學服務中遇到的病變的全部分布和範圍，來驗證這種技術是必要的。”
本文轉自ATYUN人工智能媒體平台，原文連結：醫學界新突破！通過機器學習技術可準确地預測腎髒生存時間
更多推薦
計算機視覺可确認行人穿越馬路的意圖，提高交通效率
英偉達推出邊緣計算AI平台EGX，優化實時AI服務
大疆創新滲透動作相機以驚人的4K細節捕捉每一次冒險
Appier：以人為中心的人工智能
歡迎關注ATYUN官方公衆号,商務合作及内容投稿請聯系郵箱:[email protected]