基于人工智能的技术在组织学图像上表征肾脏微结构 (AI-TIME)

基于形态学的肾脏组织病理学分析在许多肾脏疾病的诊断和治疗决策中发挥着关键作用。 迄今为止，组织病理学分析主要通过目视检查进行定性分析，需要训练有素的病理专家。

组织病理学结果通常由病理学家使用半定量诊断分类量表进行评分，例如 IgA 肾病的牛津分类或疾病严重程度量表。 尽管有这样的评分系统，组织病理学分析仍然是半定量的、耗时的并且高度依赖于操作员。 已提出手动技术来定量评估组织学图像上的肾脏微观结构，显示出监测慢性肾脏病（CKD）疾病进展和治疗反应的潜力。 例如，肾小管周围间质体积负责关键的内分泌功能，并且在 CKD 中经历显着的（尽管是可逆的）扩张，最近已通过对每帧进行点计数来对肾活检标本进行量化。 尽管可以进行准确的量化，但这些手动技术是劳动密集型的并且依赖于操作员。 非常需要对肾脏微观结构进行快速、客观的定量评估。

与诊断图像一样，组织学图像的数字化使得受益于先进的图像分析技术成为可能，该技术允许识别和分割相关的组织病理学结构，以及组织微观结构的定量评估。

近年来，人工智能（AI），特别是深度学习（DL）技术已经显示出对组织学图像上相关形态结构进行（半）自动分割的前景，限制了对专家操作员的需求，确保了可重复性并大量减少了时间需求。 卷积神经网络（CNN）最近在图像分割任务以及医学领域表现出了出色的性能。 特别是所谓的 U-Net，由收缩路径和扩展路径组成，自首次使用以来已变得越来越流行。 到目前为止，很少有研究使用 CNN 来研究组织学图像上的肾脏微观结构。 赫尔姆森等人。使用 CNN 对肾脏活检组织学图像进行多类分割 [8]。 一项类似的研究旨在开发一种 CNN，根据来自不同肾脏疾病和各种动物物种的密集注释图像来分割小鼠肾脏组织结构，例如肾小球、肾小管、动脉和静脉。

尽管这些初步努力很有希望，但形态模式的高度异质性对分割技术的普遍性提出了挑战。 非常需要基于深度学习的自动化方法，能够准确分割和量化来自不同肾脏病理和/或不同疾病阶段的患者的组织学肾脏图像上的相关形态结构。