人工智能在慢性腎臟病中的應(yīng)用研究進(jìn)展*

白玉環(huán) 綜述,廖曉輝 審校

(重慶醫(yī)科大學(xué)附屬第二醫(yī)院腎內(nèi)科 400010)

目前，慢性腎臟病(CKD)已成為全球公共衛(wèi)生問題。隨著人口老齡化及糖尿病、高血壓、高尿酸等危險因素的增加、生活方式的不合理化轉(zhuǎn)變及感染、免疫等多種因素，使得人群中CKD患病率顯著增高。據(jù)一項(xiàng)調(diào)查顯示，CKD 3期患者的年花費(fèi)約為1 205美元，CKD 4期患者個人的年花費(fèi)約為1 963美元，CKD 5期患者的年花費(fèi)約為8 035美元，血液透析患者的年花費(fèi)約為34 554美元[1]，給個人及社會帶來了巨大的負(fù)擔(dān)。因此，提高對CKD的診斷及治療水平，就有可能延緩CKD進(jìn)展，減少終末期腎臟病(ESRD)的發(fā)生，減輕個人、家庭及社會的經(jīng)濟(jì)壓力和醫(yī)療負(fù)擔(dān)。而CKD病種繁多、病情遷延，對CKD的精準(zhǔn)診療存在著一定難度。隨著人工智能(AI)技術(shù)的不斷發(fā)展，“AI+醫(yī)療”模式在臨床疾病的預(yù)防、診斷、治療、管理等方面的應(yīng)用價值及發(fā)展空間得以顯現(xiàn)[2-3]。本文主要對AI在CKD中的應(yīng)用和研究進(jìn)展進(jìn)行綜述，以為提高CKD的診療提供有力的幫助。

1 AI的概述

AI是計(jì)算機(jī)領(lǐng)域的一門前沿技術(shù)學(xué)科，包括理論、方法、技術(shù)及應(yīng)用系統(tǒng)，主要研究開發(fā)能夠模擬、延伸和擴(kuò)展人的智能的機(jī)器，使其能夠模仿人類思維和行動[4-5]。AI涉及語音圖像識別、自然語言處理、專家系統(tǒng)、機(jī)器人等多個領(lǐng)域，具備從醫(yī)療大數(shù)據(jù)中發(fā)掘、轉(zhuǎn)化信息及自我演算發(fā)展的能力。AI主要通過機(jī)器學(xué)習(xí)來實(shí)現(xiàn)，而深度學(xué)習(xí)是一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的主流技術(shù)，一種在數(shù)據(jù)的基礎(chǔ)上進(jìn)行表征學(xué)習(xí)的方法[6]。有別于傳統(tǒng)計(jì)算機(jī)技術(shù)，AI在其基礎(chǔ)上通過模擬人類的學(xué)習(xí)、推理過程，結(jié)合計(jì)算機(jī)高效的信息處理系統(tǒng)，在原有知識的基礎(chǔ)上進(jìn)行自我學(xué)習(xí)和整合，最后將新知識加以利用。在圖像識別領(lǐng)域，深度學(xué)習(xí)的代表算法是深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)[7]，它是一種基于高級動物視覺認(rèn)知模型而延伸出的網(wǎng)絡(luò)計(jì)算模式，因其獨(dú)特的多層次結(jié)構(gòu)連接，在提取和處理圖像時具有更高的效率，可以輔助臨床工作者做出更為精確的診斷(包括影像及病理診斷)。在設(shè)計(jì)建立醫(yī)學(xué)模型方面，AI依靠計(jì)算機(jī)技術(shù)學(xué)習(xí)復(fù)雜的、非線性相關(guān)的變量，在一定程度上彌補(bǔ)了傳統(tǒng)的簡單化設(shè)計(jì)模型的局限性，并且相較于人腦的思維，可減少變量與預(yù)測觀察終點(diǎn)間的錯誤率，甚至可以識別未被證實(shí)的從其他變量中推導(dǎo)出來的變量，對評估和預(yù)測疾病的風(fēng)險及預(yù)后更為準(zhǔn)確[8]。因此，AI在疾病診斷、風(fēng)險評估具有重要價值。近年來，AI發(fā)展迅猛，在醫(yī)學(xué)領(lǐng)域[9]，如醫(yī)學(xué)影像、藥物研發(fā)、病理學(xué)等領(lǐng)域取得突破性進(jìn)展，在CKD領(lǐng)域中的作用也得以顯現(xiàn)。

2 AI在CKD中的應(yīng)用

2.1 輔助診斷

2.1.1影像學(xué)診斷

AI在醫(yī)學(xué)影像中的應(yīng)用主要體現(xiàn)通過對影像大數(shù)據(jù)進(jìn)行發(fā)掘、搜索和提取，將醫(yī)學(xué)圖像和計(jì)算機(jī)圖像處理相結(jié)合，對病灶特征進(jìn)行量化和判斷，幫助臨床醫(yī)生能夠及時、準(zhǔn)確地識別和分析病變[10]。在腎病領(lǐng)域，KUO等[11]開發(fā)了一個利用腎臟超聲圖像來自動評估腎小球?yàn)V過率(eGFR)和 CKD 狀態(tài)的模型，通過利用腎臟超聲圖像測量腎臟長度，由此轉(zhuǎn)換成為eGFR，與利用血清肌酐所計(jì)算出來的 eGFR，二者的相關(guān)系數(shù)為0.74。若是以此模型計(jì)算出的eGFR<60 mL·min-1·1.73 m-2判定為CKD狀態(tài)，則模型對CKD狀態(tài)的判斷準(zhǔn)確率為85.6%；而讓4位經(jīng)驗(yàn)豐富的腎臟病學(xué)醫(yī)師通過這些腎臟超聲圖像對CKD狀態(tài)進(jìn)行判斷的話，準(zhǔn)確率為60.3%～80.1%。這突破了傳統(tǒng)的超聲圖像僅作為一種形態(tài)檢查工具這一觀點(diǎn)，表明AI 在腎臟超聲圖像的擴(kuò)展應(yīng)用方面很有前景，可為腎臟超聲圖像輔助診斷評估CKD提供新的思路。常染色體顯性多囊腎病(ADPKD)是腎臟最常見的遺傳性疾病，其特點(diǎn)是腎囊腫的進(jìn)行性發(fā)展導(dǎo)致腎臟進(jìn)行性增大，常伴有腎功能下降，而腎臟體積大小和增長率是該疾病進(jìn)展的指標(biāo)。通過AI技術(shù)，有學(xué)者開發(fā)了快速、可靠的測量腎臟體積的定量方法，對研究ADPKD的疾病進(jìn)展具有重要意義[12]。此外，AI技術(shù)在腎臟腫瘤的研究中也顯現(xiàn)出了重大價值，能夠幫助臨床工作者鑒別腎臟良惡性腫瘤[13-14]，在傳統(tǒng)影像學(xué)的基礎(chǔ)上可以提高診斷效能，為臨床決策提供指導(dǎo)意見，改善患者就診的流程，避免不必要的診療。

2.1.2病理診斷

腎臟病理檢查是腎臟疾病診斷的金標(biāo)準(zhǔn)，不僅有助于疾病的診斷，而且其準(zhǔn)確率、病變進(jìn)展程度的判定直接影響制訂后續(xù)治療方案及評估臨床預(yù)后等。在2016年，Nature Communication雜志報道了一項(xiàng)研究，該研究表明可通過數(shù)字病理切片的分析對肺癌患者進(jìn)行危險分層，可預(yù)測患者的預(yù)后[15]，此后AI成為在組織病理學(xué)領(lǐng)域的研究熱點(diǎn)。對于腎臟疾病的分類，往往依靠病理學(xué)醫(yī)師根據(jù)對患者腎臟活組織檢查的視覺評估來進(jìn)行，但是視覺評估結(jié)果可能因病理學(xué)醫(yī)師而異存在可變性，而且具有不可重復(fù)性。機(jī)器學(xué)習(xí)算法有可能實(shí)現(xiàn)自動化并提高分類的準(zhǔn)確性，可以減輕病理學(xué)醫(yī)師的工作量，也具有精確、細(xì)致的優(yōu)點(diǎn)。GINLEY等[16]研發(fā)了一種用于檢測糖尿病腎病(DN)嚴(yán)重程度而無須人為干預(yù)的計(jì)算方法，將傳統(tǒng)的圖像分析與現(xiàn)代的機(jī)器學(xué)習(xí)模式相結(jié)合，在微觀水平上檢查患者腎活檢的數(shù)字圖像，并提取患者所有活組織的腎小球的信息，并將其納入最終分析中；該研究對54例DN患者的活檢樣本進(jìn)行數(shù)字分類，并發(fā)現(xiàn)數(shù)字分類與3名不同病理學(xué)醫(yī)師的數(shù)據(jù)分類基本一致。此外，有學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)用于識別正?；蛘呤軗p的腎小球，平均精確度可達(dá)96.94%，對于腎小球疾病的診斷及鑒別診斷有重要意義[17]。卷積神經(jīng)網(wǎng)絡(luò)模型還被應(yīng)用于定量評估腎活檢組織中腎間質(zhì)纖維化程度以及腎小管萎縮程度，同時結(jié)合患者尿蛋白水平和血清肌酐水平，對患者CKD狀態(tài)的預(yù)測優(yōu)于病理學(xué)醫(yī)師所做出的預(yù)測[18]。HERMSEN等[19]的研究中，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)模型來準(zhǔn)確分析腎移植健康和患病組織，通過產(chǎn)生高度準(zhǔn)確和可重復(fù)的數(shù)據(jù)表征疾病過程可促進(jìn)對腎移植的研究，從長遠(yuǎn)角度來看這可以改善對移植患者的診斷，進(jìn)而改善器官生存。上述這些研究將為AI自動識別腎臟組織病變并進(jìn)行高效診斷奠定基礎(chǔ)。

2.2 疾病風(fēng)險評估

2.2.1IgA腎病

IgA腎病是我國最常見的原發(fā)性腎小球腎病，據(jù)調(diào)查顯示20%～40%的IgA腎病患者在確診后的10～20年會進(jìn)展至ESRD。因此早期預(yù)測ESRD風(fēng)險具有重要意義。LIU等[20]回顧性分析了262例經(jīng)活檢證實(shí)的IgA腎病患者，利用AI來預(yù)測IgA腎病患者的ESRD狀態(tài)。該預(yù)測模型顯示，Oxford-MEST評分、C3染色和eGFR是預(yù)測中國IgA腎病患者ESRD狀態(tài)的重要指標(biāo)。CHEN等[21]利用常規(guī)數(shù)據(jù)(包括人口統(tǒng)計(jì)學(xué)資料、臨床和病理數(shù)據(jù))開發(fā)了一個預(yù)測模型，將機(jī)器學(xué)習(xí)算法與患者生存分析相結(jié)合，對IgA腎病疾病進(jìn)展的風(fēng)險進(jìn)行分層，可為進(jìn)行早期干預(yù)提供依據(jù)。

2.2.2DN

DN是糖尿病患者最重要的微血管慢性并發(fā)癥之一，也是糖尿病患者死亡的主要原因。因此，早期識別危險因素，對DN風(fēng)險進(jìn)行分層，是改善患者預(yù)后的關(guān)鍵。LEUNG等[22]在2013年采用基于機(jī)器學(xué)習(xí)和數(shù)學(xué)模型的多階段策略對119例DN患者和554例非DN 2型糖尿病患者的基因型-表型風(fēng)險模式進(jìn)行預(yù)測，該研究發(fā)現(xiàn)年齡、診斷年齡和血脂是主要的臨床預(yù)測因子，而炎癥和脂質(zhì)代謝相關(guān)的遺傳多態(tài)性則是最主要的遺傳預(yù)測因子。MAKINO等[23]以64 059例糖尿病患者的電子病歷(EMR)為基礎(chǔ)，采用AI技術(shù)，構(gòu)建了一個新的具有3 073個特征的DN預(yù)測模型。AI預(yù)測DN加重的準(zhǔn)確度達(dá)到了71%。此外，該模型顯示在10年間，DN進(jìn)展組的血液透析發(fā)生率顯著高于非進(jìn)展組(n=2 900)。AI新的預(yù)測模型可以檢測DN的進(jìn)展情況，有助于更有效、更準(zhǔn)確地干預(yù)DN進(jìn)展，減少患者進(jìn)入血液透析階段。

2.3 CKD并發(fā)癥

隨著CKD的進(jìn)展，會導(dǎo)致代謝性酸中毒、高鉀血癥、礦物質(zhì)骨病、高磷血癥、高血壓、高尿酸血癥、腎性貧血等多種并發(fā)癥，這些并發(fā)癥會加快CKD的進(jìn)展，使之成為一惡性循環(huán)。因此，對CKD并發(fā)癥的早期診治對改善CKD預(yù)后尤為重要。AI在CKD并發(fā)癥的早期預(yù)警中也有相關(guān)研究。GALLOWAY等[24]僅使用2根心電圖導(dǎo)聯(lián)建立一個深度學(xué)習(xí)模型來檢測腎病患者的高鉀血癥，曲線下面積(AUC)為0.853～0.883。但這項(xiàng)研究是回顧性的，所以需要前瞻性研究來檢驗(yàn)。而且該模型特異度低，假陽性率為42%，由此可能會引起腎病患者的焦慮。

腎性貧血是CKD患者常見的主要并發(fā)癥之一，是導(dǎo)致CKD患者病死率倍增的重要原因之一。2016年的中國透析結(jié)果和實(shí)踐模式研究顯示，CKD患者貧血的患病率為21%[25]。貧血可增加心臟負(fù)荷，引起心臟擴(kuò)大和肥厚，引起心力衰竭和心肌梗死，增加死亡風(fēng)險。腎性貧血的主要原因是促紅細(xì)胞生成素(EPO)缺乏，此外還有尿毒癥患者血漿中的一些毒性物質(zhì)通過干擾紅細(xì)胞的生成和代謝。外源性EPO(ESA)及鐵劑是目前主要的治療手段。但一項(xiàng)薈萃分析顯示，ESA劑量使用不當(dāng)，血紅蛋白(Hb)水平過高或增長過快，會增加CKD患者的死亡風(fēng)險，且此不良反應(yīng)與ESA劑量相關(guān)[26]。因此，制訂個體化的ESA劑量對提高療效及減少藥物不良反應(yīng)有著重要意義。已有專家學(xué)者對CKD患者ESA個體化劑量進(jìn)行研究。2015年，BARBIERI等[27]使用機(jī)器學(xué)習(xí)[多層感知器(MLP)]和線性模型(用于預(yù)測ESA治療反應(yīng))利用近17份臨床數(shù)據(jù)(包括患者基線特征、實(shí)驗(yàn)室檢查、透析參數(shù)及ESA和鐵劑的使用劑量)，建立了一個貧血控制模型(ACM)，用以預(yù)測Hb水平并推薦合適的ESA劑量。隨后該研究團(tuán)隊(duì)通過一項(xiàng)對752例患者為期24個月的回顧性研究，來評估ACM的準(zhǔn)確度[28]。結(jié)果顯示，與傳統(tǒng)治療相比，運(yùn)用ACM，Hb 達(dá)標(biāo)率明顯上升(70.6%～83.2%)，Hb的波動度明顯減小[(9.5±4.1)～(8.3±3.3)g/L，P<0.001]，而ESA消耗量顯著降低(每月0.63～0.46 mg/kg)。該模型有助于改善血液透析患者的貧血結(jié)局，使ESA劑量最小化，并有可能降低治療成本。不足的是，該模型僅適用于血液透析患者，應(yīng)進(jìn)行更多的試驗(yàn)，以驗(yàn)證透析前和腹膜透析患者貧血治療的有效性。

CKD礦物質(zhì)與骨代謝紊亂(CKD-MBD)是ESRD患者的另一種常見的嚴(yán)重并發(fā)癥，除了表現(xiàn)為繼發(fā)性甲狀旁腺功能亢進(jìn)、MBD之外，還可引起心腦血管鈣化，導(dǎo)致患者心腦血管病死率及全因病死率增加。血清磷酸鹽、鈣、甲狀旁腺激素(PTH)3個指標(biāo)存在相互關(guān)系，但關(guān)系是非線性的，使用傳統(tǒng)的統(tǒng)計(jì)方法在分析變量之間的關(guān)聯(lián)時存在局限性。運(yùn)用機(jī)器學(xué)習(xí)模式可能提高分析能力。RODRIGUEZ等[29]應(yīng)用機(jī)器學(xué)習(xí)模式研發(fā)了一個1 758例血液透析患者數(shù)據(jù)分析系統(tǒng)，量化上述3個參數(shù)之間的關(guān)聯(lián)程度，與傳統(tǒng)統(tǒng)計(jì)方法相比，新模型的預(yù)測能力顯著提高。該模型的建立，可為臨床上控制監(jiān)測鈣磷代謝紊亂及調(diào)控藥物劑量提供新的方式。

3 小 結(jié)

AI技術(shù)發(fā)展迅速，在醫(yī)學(xué)領(lǐng)域已有重大突破，毫無疑問，這種技術(shù)將為腎病醫(yī)師處理龐大的醫(yī)學(xué)大數(shù)據(jù)提供可行的辦法，并且可以提高臨床醫(yī)生的工作效率，使其更高效、準(zhǔn)確地完成臨床實(shí)踐工作，為實(shí)現(xiàn)精準(zhǔn)醫(yī)療奠定技術(shù)基礎(chǔ)。隨著我國CKD發(fā)病例數(shù)的持續(xù)增長，龐大的CKD患者群與目前分布不均衡的醫(yī)療資源配置矛盾也隨之顯現(xiàn)。通過AI技術(shù)，提升診療效率及質(zhì)量，可更好地解決醫(yī)療資源短缺問題。然而，AI目前還面臨著數(shù)據(jù)信息化程度不一致、數(shù)據(jù)質(zhì)量參差不齊[30]、缺乏不同中心的統(tǒng)一標(biāo)準(zhǔn)、缺乏科學(xué)驗(yàn)證、數(shù)據(jù)的安全性、隱私性[31]等多重挑戰(zhàn)。將AI應(yīng)用于腎病還需要更多的研究。但相信隨著AI技術(shù)的不斷發(fā)展成熟及醫(yī)學(xué)、法律等各領(lǐng)域?qū)＜业纳罨涣鳎珹I在腎病領(lǐng)域的應(yīng)用逐步完善，可為CKD的高效化、精準(zhǔn)化診療做出更大貢獻(xiàn)。