文献速递腹部泌尿生殖技术与安全CTMRUSPET

基于影像的深度学习在肾脏疾病中的应用:近期进展与未来前景

Imaging-based deep learning in kidney diseases: recent progress and future prospects.
PubMed 文献 · Insights Imaging · 2024-02-16

该综述介绍基于医学影像的深度学习在肾脏疾病中的基本方法学及近期临床应用,涵盖肾脏肿瘤分割、鉴别诊断、分期分级、手术规划与预后预测,以及非肿瘤性肾病(慢性肾病、肾功能评估、肾结石检测)。作者指出数据平衡、异质性、数据量、算法可解释性、伦理风险与偏倚评估障碍仍是挑战。

要点

  • 基于影像的深度学习已广泛用于肾脏肿瘤与非肿瘤性肾病,可提高勾画、诊断与评估的准确性。
  • 肾肿瘤鉴别诊断中,患者层面分类结果由二维层面分类结果决定具有参考价值。
  • 数据集小、病灶大小不一等仍是深度学习的挑战。

核心结论

  • 基于影像的深度学习在肾脏疾病中临床应用广泛,可帮助医生诊断、治疗和管理肿瘤性或非肿瘤性肾病患者。
  • 实现数据平衡、处理异质性、管理数据量仍是基于影像的深度学习面临的挑战。
  • 算法的可解释性、伦理风险与偏倚评估障碍也是未来发展需要考虑的问题。

研究设计与样本

  • 综述,总结基于影像的深度学习在肾脏疾病中的方法学与临床应用。
  • 方法学步骤包括数据采集、预处理、模型建立、训练、验证、测试及模型性能评估与解释。
  • 评估指标包括准确率、精确率、F1分数、AUROC、Dice相似系数与Jaccard相似系数,选择取决于具体任务。
  • 应用涵盖CT、MRI、US及SPECT等影像模态,任务包括肾肿瘤分割、鉴别诊断、分期分级、手术规划、预后预测及非肿瘤性肾病。

关键影像表现/征象

  • Yang等提出三维多尺度残差全卷积神经网络分割大于7 cm的肾脏肿瘤,在肾脏与肾脏肿瘤分割挑战数据集Dice为0.9390,在本院数据集为0.8575。
  • Meta Greyscale Adaptive Network在CTA图像中一次推理分割肾脏、肾肿瘤、动脉与静脉,纳入123例患者,肾结构平均Dice系数为87.9%。
  • Wang等结合神经网络与基于张量的图割方法估计肾血管优势区域,27例肾脏分割Dice为95%,8例肾动脉分割中心线重叠率为80%,优势区域估计Dice为80%。
  • He等提出三维半监督框架用于精细肾动脉分割,Dice系数为88.4%,可帮助临床医生精确定位供血区域。

诊断标准与关键数值

  • Zabihollahy等在155例患者CECT图像上开发模型区分肾细胞癌与良性实性肾肿块(肾嗜酸细胞瘤与乏脂肪肾血管平滑肌脂肪瘤),并在160例患者CECT图像上验证,准确率83.75%、精确率89.05%、召回率91.73%。
  • Baghdadi等开发基于CT的半自动深度学习系统计算肿瘤与皮质早期峰值强化比,用于识别良性肾嗜酸细胞瘤与嫌色细胞肾细胞癌,内部验证准确率95%、敏感度100%、特异度89%,优于人工诊断。
  • Pedersen等使用超过20000张二维CT图像分类两类肿瘤,在三个独立数据集上逐图评估准确率90.0%–97.7%,按每例患者51%多数投票评估准确率最高达100%。
  • Xu等开发四种深度学习模型对透明细胞肾细胞癌进行CT分级,集成模型AUROC为0.882。
  • Zhao等用常规MRI的ResNet区分I–II期肾细胞癌低级别(I–II级)与高级别(III–IV级),Fuhrman测试集准确率0.88、敏感度0.89、特异度0.88,WHO/ISUP测试集准确率0.83、敏感度0.92、特异度0.78。

临床应用与阅片要点

  • 肾肿瘤鉴别诊断中,患者层面的分类结果由二维层面分类结果决定,具有参考价值。
  • 通过深度学习提取的影像可测量特征可作为补充数据细化模型并提高准确性。
  • 联合模型进一步利用临床信息,效果优于单一影像模型,提示相关临床特征可适当融合构建多变量模型。
  • 精细肾动脉与薄结构分割可帮助医生准确定位和评估血管结构、制定精准手术计划。

局限性

  • 小和中型肿瘤的分割性能仍需进一步改善,需更高效的深度学习模型提供更多局灶信息以避免过度分割。
  • 不同机构数据采集参数的异质性仍是扩展研究数据集的障碍。
  • 小尺寸肾肿瘤的自动分割仍具挑战性。
  • 不同肾脏病理模式和图像层厚仍对性能有负面影响。
  • MMDLM缺少与其他包含更全面临床数据的临床工具的比较,其优越性难以确定;外部验证数据集小,其泛化性需额外研究证明。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Feb 16;15:50. doi: 10.1186/s13244-024-01636-5

引言

肾脏是负责过滤血液中的废物、调节电解质和液体平衡、以及分泌激素以平衡血压和红细胞生成的重要器官[1–5]。肾脏疾病可由多种原因引起,包括糖尿病、高血压、自身免疫性疾病、感染和遗传性疾病[1, 4, 6],通常可分为肿瘤性和非肿瘤性肾脏疾病。值得注意的是,肾细胞癌在肿瘤性肾脏疾病中占很大比例,且其发病率呈上升趋势[7],对人类健康造成极大危害。此外,非肿瘤性肾脏疾病,如慢性肾脏病和终末期肾衰竭,可成为患者棘手健康负担,甚至危及生命。

医学影像作为一种非侵入性方法,包括超声(US)、计算机断层扫描(CT)、磁共振成像(MRI)和核医学,在肾脏疾病的诊断和管理中发挥着关键作用。这些影像方法为临床医生提供了关于肾脏结构和功能的宝贵信息,包括肾血流和组织特征的详细信息,有助于准确诊断并指导肾脏疾病的治疗[8–11]。然而,医学图像的传统解读可能耗时且容易出错,尤其是在肾癌或慢性肾脏病等复杂病例中[9, 12, 13]。近年来,深度学习算法被提出用于挖掘数据并整合信息以进行更详细的分析[14, 15],在提高肾脏疾病医学图像分析的诊断准确性和效率方面显示出巨大潜力。

深度学习是人工智能的一个发展中的领域,使用人工神经网络来建模输入数据与输出预测之间的复杂关系。卷积神经网络(CNN)使深度学习模型能够自动学习传统图像分析方法难以检测的判别性特征和模式[16]。此外,深度学习模型可以在大型标记医学图像数据集上进行训练,以在各种临床场景中实现高准确性和稳健性。在肾脏疾病中,基于影像的深度学习方法已应用于各种医学成像模式,如CT、MRI、US和单光子发射计算机断层扫描(SPECT)。这些方法已被用于广泛的任务,包括肾脏肿瘤应用(例如,肿瘤分割、鉴别诊断、肿瘤分期和分级)和非肿瘤性肾脏疾病[17–24]。

该领域以往的综述大多侧重于深度学习的方法学或对肾癌的讨论,而非广义的肾脏疾病[25–29]。因此,我们希望尽可能全面地总结基于影像的深度学习在肾脏疾病中的临床应用,从而为泌尿外科医生、肾内科医生和放射科医生提供关于该方法的清晰思路,并揭示其在临床环境中的巨大潜力。本综述将首先介绍基于影像的深度学习的方法学,总结其近期在肿瘤性和非肿瘤性肾脏疾病中的临床应用,最后讨论其在未来发展中的挑战和可能性。

深度学习的方法学

肾脏疾病深度学习的方法学涉及一系列步骤,这些步骤对于深度学习模型在临床实践中的开发、训练和部署至关重要(图1)。这些步骤包括数据采集、预处理、模型选择、训练、验证和测试,以及模型结果的评估和解释。在本节中,我们将对每个步骤进行详细的概述。

图1 深度学习流程图。深度学习的方法学包括以下步骤:数据采集、数据预处理、深度学习模型的建立以及模型性能评估 查看原图 ↗

数据采集

肾脏疾病深度学习的第一步是数据采集。为了开发深度学习模型,通常需要大规模的医学图像数据集。用于训练的数据质量对于算法的准确性和泛化性也至关重要[30, 31]。多源数据(例如,不同模态、不同机器和不同成像参数)可以减少数据收集引入的偏倚,但也可能增加模型无法收敛的风险[32–35]。模型开发者应清楚了解模型预期应用的领域,并尽可能在该领域收集数据。该步骤为深度学习过程中的后续步骤奠定基础。

数据预处理

第二步是数据预处理,涉及清理和准备数据集以供深度学习模型使用。该步骤对于提高数据质量并避免影响算法准确性至关重要。数据预处理中使用了多种技术,包括降噪、图像归一化和图像配准[22, 36–38]。

数据预处理的另一个重要方面是数据增强。数据增强通过旋转、缩放和裁剪等方式生成现有数据的若干轻微修改副本,以减少训练模型时的过拟合[39]。值得一提的是,生成对抗网络可以利用现有成像方案的不同对比度和模态生成具有高度真实性的新合成图像[40–44],在数据增强方面展现出巨大潜力。

此外,数据预处理还涉及数据标注。标签是我们期望模型输出的结果,根据学习任务的类型不同而呈现不同形式。例如,在肾脏肿瘤分类中[12, 19, 20, 45],数据标注需要为数据集中的每张图像分配一个类别或分类。此外,在肾脏肿瘤分割中,通常使用表示目标区域的矩阵或张量作为标签[17, 46]。然而,对于生成模型,不需要额外的标签,这属于自监督学习。

深度学习模型的建立

下一步是建立深度学习模型,包括模型架构选择、模型训练以及通过模型验证调整超参数。可用于医学图像分析的深度学习架构有多种类型,其中大多数是基于卷积神经网络(CNN)构建的。CNN最初设计用于处理图像,是多层感知机(最简单的深度神经网络)的重要改进[47]。此外,模型架构选择是根据不同学习任务选择合适的深度学习架构的过程。例如,U-Net及其3D变体常用于分割任务[35–37, 46],而残差网络(ResNet)及其变体通常用于分类任务[20]。

一旦选定模型架构,就需要对其进行训练。这包括将预处理后的训练数据输入深度学习算法,并调整模型的权重以最小化预测输出与实际输出之间的差异。同时,超参数是控制模型行为的变量,也是算法中的关键组成部分,如学习率、训练轮数、批大小和层数。模型训练完成后,需要通过模型验证调整超参数以优化训练模型的性能[48]。通过持续的模型训练和超参数调整,经比较建立最优模型,包括最优权重和最优超参数。

模型性能评估

评估是深度学习过程中的重要步骤,用于在独立的测试集上评价所开发模型的性能。肾脏疾病中深度学习模型的评估包括多项指标,如准确率、精确率、F1分数[49, 50]、受试者工作特征曲线下面积(AUROC)[51]、Dice相似系数和Jaccard相似系数[52]。

这些指标的选择取决于所解决的具体问题。例如,在分类任务中,准确率、灵敏度和特异度是常用的指标。而Dice相似系数和Jaccard相似系数常用于分割任务中的评价指标。模型性能评估有助于确保模型并非仅仅记住了训练数据,而是能够准确泛化到新数据。

深度学习在肾脏疾病中的应用

基于影像的深度学习已广泛应用于肾脏疾病,包括肾脏肿瘤和非肿瘤性肾脏疾病。我们回顾了相关研究,并对其临床应用总结如下。

肾脏肿瘤

分割

感兴趣区域的准确分割是定量图像分析的基础,在基于影像的深度学习研究中至关重要。手动分割耗时且费力。此外,手动或半自动分割的准确性和可重复性在很大程度上取决于标注者的经验和图像的复杂性。因此,大量研究致力于开发自动分割算法,旨在提供端到端的分割方法,从而大大节省该过程的成本。

Yang等[53]提出了一种用于分割大于7 cm肾脏肿瘤的三维多尺度残差全卷积神经网络。该方法采用多尺度方法捕获全局上下文特征,表现出比最先进方法更高的准确性,在肾脏和肾脏肿瘤分割挑战赛数据集上的Dice评分为0.9390,在院内医院数据集上为0.8575(图2)。该研究表明,所提出的网络可用于医学图像分析领域,以准确分割和分析大型肾脏肿瘤。然而,中小型肿瘤的分割性能仍需进一步改善,需要使用更高效的深度学习模型来提供更多局灶信息以避免过度分割。

除了肿瘤边界的简单分割外,肾肿瘤和肾脏结构的准确分割也至关重要。Meta Greyscale Adaptive Network被提出用于CT血管造影(CTA)图像中的三维集成肾结构分割[17]。所提出的模型在一次推理中分割肾脏、肾肿瘤、动脉和静脉,解决了图像间灰度分布变化引起的低对比度和网络表示偏好等挑战。该研究纳入了123名患者,肾脏结构的平均Dice系数达到87.9%,在肾癌治疗方面显示出有前景的结果。

图2 内部(KiTS)和外部(院内)验证数据集上肾脏肿瘤分割的代表性结果示例:第一行图像是来自内部验证数据集的极大肿瘤示例。第二行图像是来自外部验证数据集的极大肿瘤示例。绿色表示肾脏,红色表示肿瘤。图像经许可转载自“Yang E, et al. (2022) 3D multi-scale residual fully convolutional neural network for segmentation of extremely large-sized kidney tumor. Comput Methods Programs Biomed 215:106,616.” 查看原图 ↗

鉴别诊断

深度学习为精确识别肾脏肿块的影像学特征提供了可行的方法,从而对其进行鉴别和诊断。Zabihollahy等[12]最近采用了一个基于155名患者对比增强计算机断层扫描(CECT)图像开发的深度学习模型,用于区分肾细胞癌(RCC)与良性实性肾脏肿块(肾嗜酸细胞瘤和乏脂肪肾血管平滑肌脂肪瘤),并在160名患者的CECT图像上验证了该模型。所提出的CNN算法采用半自动方法,获得的准确性、精确率和召回率分别为83.75%、89.05%和91.73%。

嗜酸细胞瘤和嫌色细胞肾细胞癌(ChRCC)在影像学和免疫组织化学上表现相似,使得两者难以区分。Baghdadi等人[54]开发了一种基于CT的半自动化深度学习系统,用于计算肿瘤与皮质早期峰值强化比,进而用于鉴别良性肾嗜酸细胞瘤和ChRCC。内部验证获得的准确率、灵敏度和特异度分别为95%、100%和89%,优于人工诊断。Pedersen等人[20]也提出了一种深度学习方法,使用超过20,000张二维CT图像对这两种肿瘤进行分类。该模型在三个独立数据集上进行了测试,逐图评估时准确率为90.0%–97.7%,而对每位患者的单图分类结果进行51%多数投票评估时准确率可达100%。

这些肾脏肿瘤识别研究进一步表明,深度学习有潜力从多个维度解决类似问题,其在临床应用中的可能性有待探索。同时,在鉴别诊断中由二维层面的分类结果决定患者层面的分类结果,具有重要的参考价值。

肿瘤分期/分级

对于肾脏肿瘤,尤其是恶性肿瘤,识别肿瘤分期和分级对于监测患者病情和制定个体化治疗策略至关重要。在最近的一项回顾性研究中,Xu等人开发了四种不同类型的深度学习模型,通过学习CT图像对透明细胞肾细胞癌(ccRCC)进行分级[55],所有模型在外部验证中均取得了令人满意的性能(图3)。同时,Xu等人进一步提出了一种创新的权重计算方法,对四种模型的输出进行加权并随后将其组合以获得最终的分级决策。这种行为类似于专家会诊,即多位专家分析患者病情并相互结合意见,从而使判断更加精确和可靠。最终,集成模型增强了网络泛化能力,并以0.882的AUROC进一步提高了预测性能。该研究避免了深度学习研究中预训练与开发过程之间图像内容相关性较小的问题,对存在标签噪声和类别不平衡的研究具有重要意义。

此外,Zhao等人旨在评估ResNet在使用常规MRI区分I期和II期RCC中低级别(I–II级)与高级别(III–IV级)的效能[56]。该研究纳入376例患者共430个RCC病灶,其中353个按Fuhrman分级进行分类用于模型训练、验证和测试,77个按WHO/ISUP分级作为独立测试集。最终深度学习模型在Fuhrman测试集中的测试准确率为0.88,灵敏度为0.89,特异度为0.88;在WHO/ISUP测试集中的测试准确率为0.83,灵敏度为0.92,特异度为0.78。然而,不同机构不同数据采集参数的异质性仍是扩展研究数据集的障碍。而且,尽管自动分割在其他器官中已展现出优异性能,对小尺寸肾脏肿瘤的自动分割仍然具有挑战性。

此外,Hussain等提出了一种基于可学习图像直方图的深度神经网络,该网络能够从原始CT图像中学习复杂而细微的任务特异性纹理特征,不仅关注RCC分级,还关注RCC分期[21]。对于RCC Fuhrman分级,该方法在来自159例患者的CT数据集上进行开发,获得的估计准确率为80%。此外,Hussain等还尝试将其方法的RCC分级性能与包括传统机器学习方法在内的多种方法进行比较。这些传统机器学习的性能低于所提出的方法。至于TNM分期,研究人员将数据分为低分期(I–II期)和高分期(III–IV期)进行RCC分期,估计准确率为83%。这些结果表明,深度学习在预测RCC侵袭性和恶性程度方面具有巨大潜力,表明深度学习在肿瘤分级和分期中具有无创性和高效性,该方法在临床场景中的未来应用是可以预见的。

图3 低级别和高级别患者的网络输出概率。左侧子图为低级别和高级别患者的网络输出概率分布。右侧子图为具有不同网络输出概率的低级别和高级别患者的CT图像。“Xu L, et al. (2022) Deep Learning Using CT Images to Grade Clear Cell Renal Cell Carcinoma: Development and Validation of a Prediction Model. Cancers 14: 2574.” 查看原图 ↗

手术规划

目前,腹部CTA图像上肾动脉的精细分割以及血管结构尤其是小血管的准确评估对于肾肿瘤的诊断和治疗至关重要,它们是开放手术和微创手术术前规划的必要步骤。

在最近的一项研究中,Wang等提出了一种使用Voronoi图精确估计肾血管优势区域的新方法,结合了神经网络和基于张量的图割方法进行肾脏和肾动脉分割[57]。27例病例中肾脏分割的准确率达到Dice评分95%,8例病例中肾动脉分割的准确率获得中心线重叠率80%。最终优势区域估计准确率达到Dice系数80%。然而,尽管肾脏分割的结果令人乐观,但不同的肾脏病理模式和图像层厚仍然对性能产生负面影响。此外,He等开发的一种用于精细肾动脉分割的新型3D半监督框架也取得了类似的结果,Dice系数为88.4%[58]。图4展示了该模型的视觉优势,该框架能够实现3D精细肾动脉分割的良好性能以及单结构分割的高质量,从而帮助临床医生精确定位血供区域,进而提高肾术前规划的效率并降低临床实践中个体化治疗的成本。

深度学习框架在真实临床手术环境中展现出巨大潜力,能够满足细小肾动脉和纤细结构分割的需求并获得较高质量,帮助医生准确、直接地定位和评估血管结构,制定精准的手术方案,为患者创造更大的生存机会和更高的生活质量。

图4 所提出框架的视觉优越性。蓝色方框表示该框架对动脉末梢的高质量分割,黄色方框表示作者提出的深度先验解剖(DPA)策略所带来的奇异区域的高质量分割(有关本图例中颜色的解释)。图片经许可转载自“He Y, et al. (2020) Dense biased networks with deep priori anatomy and hard region adaptation: Semi-supervised learning for fine renal artery segmentation. Med Image Anal 63:101,722.” 查看原图 ↗

预后预测

预后预测对于肾肿瘤患者在治疗期间的管理同样至关重要。预后与复杂的医学数据相关,如临床危险因素、组织病理学模式和影像学表现。整合这些异质性多模态数据在数据分析中构成挑战。深度学习模型的发展为多模态数据分析提供了思路,并可进一步挖掘数据以做出更准确的判断。

例如,有一项研究旨在开发并评估一种用于ccRCC患者预后预测的多模态深度学习模型(MMDLM)[59]。该MMDLM基于来自癌症基因组图谱队列230例患者和Mainz队列18例患者的多尺度组织病理学图像、CT/MRI扫描以及全外显子组测序基因组数据进行训练。MMDLM在预测ccRCC患者5年生存状态方面表现出良好性能,平均Harrell一致性指数为0.7791,平均准确率为83.43%。研究结果表明,MMDLM有助于预后预测,并可能改善ccRCC的临床管理。然而,缺乏与包含更全面临床数据的其他临床工具的比较,使得MMDLM的优越性难以确定。并且由于外部验证数据集较小,其泛化性还需要额外研究来证明。

非肿瘤性肾脏疾病

除了基于影像的深度学习在肾肿瘤中的广泛应用外,近期多项研究报道深度学习也关注非肿瘤性肾脏疾病的临床应用,包括区分健康肾脏与慢性肾脏病(CKD)肾脏、评估肾功能以及检测肾结石。

慢性肾脏病

随着深度学习在肾脏疾病中的应用,肾脏影像数据的挖掘不断深入,其特征性变化也被用于进一步提高慢性肾脏病(CKD)诊断的准确性。近期,Lee等开展了一项使用深度学习的多任务研究,纳入909例患者(385例CKD和524例无CKD),使用其肾脏超声(US)图像进行分析以检测CKD [51]。采用掩膜区域卷积神经网络模型进行肾脏和肝脏分割,从中提取肾脏长度和肾肝回声比等可测量特征。同时,使用ResNet-18进行CKD诊断。值得注意的是,该研究提出了三种模型。第一种模型的平均AUROC达到0.81(灵敏度78.2%,特异度71.5%,准确率74.4%),仅使用US图像信息进行分析。第二种模型在第一种模型的基础上加入了提取的可测量特征,平均AUROC提高至0.88(灵敏度86.1%,特异度77.5%,准确率81.2%)。最后一种模型进一步纳入了临床信息(如糖尿病史),平均AUROC达到0.91(灵敏度89.4%,特异度82.9%,准确率85.9%)。

许多将深度学习应用于US图像的研究显示其准确性低于其他影像学模态。然而,上述研究中CKD分类的AUROC显著提高,表明通过深度学习过程提取的图像可测量特征可作为补充数据来优化模型并提高准确性。同时,所开发的联合模型进一步利用了临床信息,取得了优于单一影像模型的结果,表明相关临床特征可以适当地融合以构建多变量模型。此外,通过将更全面和真实临床数据纳入研究,模型性能可能进一步提高,包括估算肾小球滤过率(eGFR)在60 mL/min/1.73 m2至90 mL/min/1.73 m2之间的患者,以及伴大囊肿、实性肿块和肾积水的US图像。这表明考虑真实世界临床情况可能增强模型的实用性。

肾脏体积和功能的评估

此外,常染色体显性多囊肾病(ADPKD)由于囊肿的进行性生长导致总肾脏体积(TKV)增加。因此,评估TKV对于评价ADPKD的疾病严重程度、疾病进展和治疗反应至关重要,而深度学习的进展为该过程提供了更多帮助。

Kline等人[52]基于他们先前的研究建立了参考标准TKV,并开发了一种全自动方法,随机选取2000例及其MRI数据进行训练和验证,并使用400例未参与训练的病例进行测试。该模型在测试数据集上取得了良好结果,Jaccard系数为0.94 ± 0.03,Dice系数为0.97 ± 0.01(灵敏度 = 0.97 ± 0.02,特异度 = 0.99 ± 0.01,精确率 = 0.98 ± 0.02)。此外,van Gastel等人[60]在Kline等人的研究基础上扩展了网络结构,在TKV测量方面与传统人工测量相比也取得了良好结果。这些研究揭示了深度学习在TKV测量中的潜力,为ADPKD患者的疾病评估提供了一种更省时的方法。

Kuo等人提出了一种利用肾脏超声图像自动确定eGFR和CKD状态的深度学习方法[61]。他们使用迁移学习和肾脏长度标注开发了一个神经网络,基于4505张肾脏超声图像预测肾功能。该模型的Pearson相关系数为0.741,CKD状态总体分类准确率为85.6%。此外,Pieters等人[62]也提供了一种全自动方法,将从腹部CT扫描中提取的身体成分参数与临床特征相结合,建立估算肌酐生成的方程,并获得了理想的结果。上述研究证明,深度学习在肾脏体积评估和肾功能评估方面均能取得良好表现。同时,深度学习方法在常规临床场景中不断改进,正逐渐成为CKD监测和管理的可靠工具。

肾结石检测

肾结石是一种常见的肾脏疾病和全球性健康问题,可由肥胖、糖尿病、高血压和代谢综合征等危险因素诱发。肾结石的形成可导致泌尿系统梗阻、肾衰竭、高血压、CKD和终末期肾病[6, 63]。在临床实践中,肾结石的诊断通常需要影像技术的辅助,包括超声(US)和平扫计算机断层扫描(NCCT)。如今,基于影像的深度学习正在快速发展,并已应用于这些技术中以进一步提高检测肾结石的能力。

Yildirim等人[63]开发了一种基于冠状位CT图像的深度学习模型,在1453张NCCT图像的数据集上检测肾结石,并在346张NCCT图像的内部队列上验证了该模型(图5)。所提出的交叉残差网络模型在检测肾结石方面表现出优异性能,获得的准确率、灵敏度和特异度分别为96.82%、95.76%和97%。同时,该研究还提出了在轴位和矢状位CT图像上检测肾结石的建议,结石大小与检测性能之间的关系可进一步探讨。然而,Caglayan等人[64]填补了这一空白,根据肾结石大小将数据集分为三组,分别在三个成像轴上评估深度学习辅助模型的肾结石检测性能。

Elton等人在180例计算机断层结肠成像扫描数据集上提出了一种肾结石自动检测与体积分割方法[65]。该方法第一步是分割肾脏,然后结合梯度各向异性扩散去噪、阈值分割和区域生长,最后将检测结果分类为真阳性或假阳性,在每次扫描0.5个假阳性的条件下获得0.86的灵敏度,并在外部验证集上针对患者水平分类达到0.95的AUROC。同时,该模型与手动测量的结石体积之间具有良好的相关性。近期,Mukherjee等人在其既往工作的基础上提出了一种稍作修改的流程,更新了分割方法和体积阈值,获得97.8%的每次扫描灵敏度[66]。系列CT扫描上的肾结石体积及其区间变化分别通过基于深度学习的自动测量和手动测量进行评估,两种测量之间也显示出良好的一致性。在这些研究中,深度学习在肾结石检测和体积测量中的应用对肾结石评估具有重要意义。此外,未来考虑肾结石成分影响的研究可能进一步提高结石检测和评估的性能。

图5 样本测试图像,显示深度学习模型用于诊断所关注的区域。红色箭头为专家用于显示图像中结石的区域。图像经许可转载自“Yildirim K, et al. (2021) Deep learning model for automated kidney stone detection using coronal CT images. Comput Biol Med 135:104,569.” 查看原图 ↗

当前挑战与未来前景

近年来,大量研究表明,基于医学影像的深度学习已成为改善肾脏疾病诊断和管理的一种有前景的工具,包括肾脏肿瘤疾病和非肿瘤性肾脏疾病。然而,要最大化其潜力,必须解决若干挑战。

基于医学影像的深度学习在肾脏疾病中的主要挑战之一是缺乏大型、多样化的数据集[12, 20, 57]。深度学习算法需要大量数据来学习和做出准确预测。然而,获取大型、高质量的医学图像数据集可能具有挑战性,因为这需要多个机构和医疗服务提供者的协作努力[67]。这不仅涉及数据收集的复杂性,还强调了在共享数据时保护患者隐私的伦理必要性[68]。同时,数据集平衡也需要考虑,以避免数据收集带来的潜在偏倚。例如,在肾脏肿瘤分割任务中[53, 56],肿瘤大小从小到大不等,可能由于数据集不平衡,模型在一些大尺寸肿瘤上通常比在小尺寸和中等尺寸肿瘤上获得更好的分割结果。然而,Xu等人提出的样本重加权方法可能对未来关于类别不平衡的研究有用,该方法有效平衡了不同数量比例类别对损失函数的贡献。

此外,由于不同成像模态和协议导致的医学图像变异性是另一项挑战。例如,肾脏的医学图像可以使用多种成像模态获取[32],包括CT、MRI和US,每种模态各有其优势和局限性。此外,上述多项研究提到,采集参数和操作者的变化可能导致数据不均匀性,从而影响模型的性能,强调了数据预处理和数据增强的重要性[20, 56, 57]。另外,利用迁移学习使用现有模型的参数来初始化新模型并在新数据上进行训练,以及利用集成学习结合多个独立模型的学习结果,也可能成为该问题的解决方案[69]。

此外,尽管深度学习模型在许多临床应用中表现出优异的性能,但理解它们如何得出特定预测在临床实践中仍然具有挑战性[67]。这是由于深度学习过程的不透明性,使得难以阐明输入与输出之间的因果关系,从而引发伦理风险。当医生使用深度学习算法进行临床决策时,如果出现错误,算法可解释性的缺乏和相关法规的缺失使得难以明确界定责任方[70]。同时,在评估偏倚风险时,对决策中预测因素的清晰定义变得无法实现,对偏倚评估造成障碍[71]。因此,许多研究者现在尝试在外部中心更大规模地验证已建立的模型[63–65]。如果能够获得与内部验证相同的满意结果,可解释性差对临床医生的影响可以在一定程度上得到减轻。此外,一些先进技术也在尝试模拟相邻像素之间的数学关系,为深度学习提供可解释的框架。拓扑数据分析(TDA)是一种较新的范式,可以提取数据形状的信息,并可与称为持久同调的技术相结合,将数据转化为视觉上有意义的表示,在一定程度上打破了传统深度学习模型的黑箱过程[72]。通过使用TDA,研究者在理解多种疾病(包括癌症、哮喘和慢性肺部疾病)的病理生理特征、病因学和预后方面取得了显著进展。然而,仍需进一步研究以促进深度学习的可解释性,并在此基础上制定规范性报告指南和有力的偏倚风险工具。

尽管目前基于医学影像的深度学习在肾脏疾病中面临挑战,但其未来仍然非常有前景。从上述研究可以看出,基于医学影像的深度学习有潜力提高肾脏肿瘤疾病诊断的准确性和效率,包括肾细胞癌(RCC),这是最常见的肾脏肿瘤类型。此外,基于医学影像的深度学习还有潜力在更早期阶段检测或预测非肿瘤性肾脏疾病,如慢性肾脏病(CKD),从而实现更早干预和更好的患者结局[51]。这些模型可以分析医学图像并识别肾脏结构和功能中可能提示非肿瘤性肾脏疾病存在的细微变化,从而带来更好的患者结局并降低医疗成本。可以预见,基于医学影像的深度学习有潜力为肾脏疾病患者提供个性化医疗。基于医学影像的深度学习模型可以根据个体的独特特征,如肿瘤/病变大小、位置和组织学亚型,提供更准确的诊断,以帮助预测肾脏疾病的进展并为患者制定个性化治疗方案。

结论

近期研究提供证据表明,基于影像的深度学习在数据挖掘和分析方面具有巨大潜力,并已广泛应用于肾脏疾病领域。无论是在肾脏肿瘤还是非肿瘤疾病的临床场景中,均已展现出有前景的性能。然而,由于深度学习的可解释性和可重复性较差,深度学习在临床实践中的推广仍面临挑战,这也与当前深度学习研究往往集中于特定临床情境有关。因此,在深度学习能够有效服务于临床工作之前,仍有许多方面需要改进。

引用

  1. Zhang M, Ye Z, Yuan E, et al. Imaging-based deep learning in kidney diseases: recent progress and future prospects. Insights Imaging. 2024. PMID: 38360904. doi:10.1186/s13244-024-01636-5
  2. 全文:PMC10869329(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10869329/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。