近年來，隨著計算機技術的迅猛發展，醫學領域已經越來越多地使用人工智能來改善急慢性腎臟疾病的診斷和預后。各種組學、臨床和患者產生的健康數據可以為人工智能算法提供動力，以改善急性腎損傷(AKI)和慢性腎臟病(CKD)的診斷和預后。組學數據可以用來表征類型，臨床信息可用于鑒定AKI、CKD及其亞型以及確定最佳治療方法，從可穿戴傳感器和移動設備的健康應用中獲得的患者健康數據也有助于監測癥狀和恢復情況，從而提供全面的診斷、治療和恢復監測管理。
人工智能(AI)在預測急性腎損傷(AKI)方面已顯示出希望。大多數已有的AKI預測模型在預選預測變量時需要大量的人工管理工作，然而，某些變量可能僅適用于單個醫院或臨床單位，這就限制了預測模型在不同單位之間通用。醫院之間數據不可互用是模型可運輸性的主要障礙。胡勇等[2]利用美國PCORnet平臺(該項目整合了美國數百個衛生系統的電子病歷)開發了AKI預測模型，可以連續計算所有住院患者自入院開始未來48小時內的AKI發生風險。該模型48小時內預測任何AKI的AUROC為0.76 [95%CI，0.75–0.78]，預測AKI第2階段的AUROC為0.81 [95%CI，0.76-0.86]，預測AKI第三階段的AUROC為0.87 [95%CI，0.78–0.93]。研究者評估了其在六個獨立衛生系統之間的可運輸性。結果表明跨站點性能可能會降低，且不同人群的風險因素的異質性可能是造成此結果的原因。因此，無論AI模型在原醫院的運行如何精確，是否可以在目標醫院采用仍然一個懸而未決的問題。為此，研究者推導了一種預測AI模型可運輸性的方法，用于加快AI模型在醫院外部的適應過程。因此，盡管患者和數據存在異質性，需要改進模型的其他潛在算法和先進的數據協調技術來解決這一問題。
在慢性腎臟病方面，最近有研究者運用人工智能模型預測了IgA腎病患者是否可能進展為終末期腎臟病(ESRD)[3]。該團隊回顧性分析948例原發性IgA腎病患者資料并開發了用于ESRD的人工神經網絡預測模型。他們的工具基于兩步過程：分類模型可以預測ESRD，而回歸模型可以預測ESRD隨著時間的進展情況。分類模型顯示隨訪5年的AUROC為0.82，而隨訪10年AUROC可改善到0.89。兩種模型的召回率均較高，表明該工具的實用性?；貧w模型顯示平均絕對誤差為1.78年，均方根誤差為2.15年。在167名IgA腎病患者的獨立隊列中進行的測試發現，預測成功率為91%。該系統預測和觀察到的結果概率沒有顯著差異。另外，該人工神經網絡在一年和兩年時的動態辨別指數分別為0.80和0.79，且在隨后的25年期間內可以觀察到類似的結果。因此，該工具可以成功識別出由于IgA腎病導致患ESRD的風險。
在腎活檢病理診斷方面，需要更可靠和準確的方法來確定腎臟活檢標本的發現，并且需要更高的速度和重現性，這些需求促進了人工智能在這一領域的發展。卷積神經網絡是深度和機器學習的子類，其中多個層處理模擬了人類視覺皮層的神經連接，更適合復雜的任務，比如圖像識別。Ligabue等人[4]首次嘗試將卷積神經網絡應用于腎活檢標本腎小球免疫熒光讀片。他們采集了2018年期間由兩名病理學家出具的2542份腎活檢標本的報告數據，包括免疫反應物位置(系膜、毛細血管壁)，分布(節段性，彌漫性)，外觀(粗或細顆粒)以及強度(0-3 )。每個病例的所有腎小球免疫反應物圖像均用相同的曝光時間采集，用于訓練(11059套)、驗證(200套)和測試(1000套)。此外，由三名病理學家和卷積神經網絡評估了180個圖像。作為最重要的第一步，卷積神經網絡在圖像中正確識別出了腎小球。與事實相比，卷積神經網絡的最佳性能為：定位識別為系膜或連續規則的毛細血管壁的精確度(0.84，0.81)，曲線下面積AUC(0.89，0.87)，敏感度(0.78，0.77);分布識別為節段性或彌漫性的精確度(0.82, 0.81)，曲線下面積AUC(0.89，0.81)，識別為彌漫性染色的敏感度為0.74，但識別為節段性染色的敏感度僅為0.50;外觀識別為粗顆?；蚣氼w粒的精確度(0.84, 0.94)，曲線下面積AUC(0.85，0.83)。卷積神經網絡是以最高可能性來確定染色強度的，總體上預測的強度正確性是好的，對于強度0或3 預測最好，對于強度1.5 或2.5 預測最差。整體而言，三個病理學家和卷積神經網絡使用Cohen k系數的比較基本上顯示出中等一致性(0.39~0.56)，卷積神經網絡的表現等同于病理學家。然而，卷積神經網絡的分析速度遠快于病理學家，卷積神經網絡每個圖像62.5毫秒，而病理學家每個圖像7.312秒。
人工智能在腎臟活檢標本判讀中的應用尚處于起步階段，在廣泛應用于常規臨床實踐之前仍存在諸多障礙。然而，有深遠的潛在益處，包括準確性，重現性以及速度。這將會為腎小球和其他腎臟疾病提供更多的診斷信息、治療靶點和預后預測[5]。
參考文獻
1.Rashidi P, Bihorac A. Artificial intelligence approaches to improve kidney care.Nat Rev Nephrol. 2020 Feb;16(2):71-72.
2.Song X, Yu ASL, Kellum JA, et al.Cross-site transportability of an explainable artificial intelligence model for acute kidney injury prediction.Nat Commun. 2020 Nov ;11(1):5668.
3.Schena FP, Anelli VW, Trotta J, et al. Development and testing of an artificial intelligence tool for predicting end stage kidney disease in patients with immunoglobulin A nephropathy. Kidney Int. 2020 Sep 1;S0085-2538(20)30969-8.
4.Ligabue G, Pollastri F, Fontana F, et al. Evaluation of the classification accuracy of the kidney biopsy direct immunofluorescence through convolutional neural networks. Clin J Am Soc Nephrol. 2020 Oct 7;15(10): 1445–1454.
5.Hou J and Nast CC. Artificial Intelligence The Next Frontier in Kidney Biopsy Evaluation. Clin J Am Soc Nephrol, 2020 Oct 7;15(10):1389-1391.