科研人員利用超級計算機和人工智能技術對腎臟受損程度和壽命進行了預測。

現在，科研人員已經能夠通過基于人工智能（AI）的超級計算機模型，借助患者前往醫院進行腎臟活檢時獲得的影像，量化腎臟受損程度及預測腎臟剩余壽命。在《Kidney International Reports》雜志上發表的一項研究成果稱人工智能可幫助在床邊（point-of-care）進行預測及協助臨床決策。

腎臟病理學（nephropathology）是一門分析腎臟活檢影像的專業。盡管美國的大型臨床中心可能會因擁有“內部”腎臟病理專家而獲益良多，但美國大部分地區或世界各地的情況卻并非如此。科研人員表示，將卷積神經網絡（CNN）等機器學習框架應用于對象識別任務被證實有助于疾病分類，同時能夠可靠地分析放射影像，包括惡性腫瘤。

為了測試將這項技術應用于常規腎臟活檢分析的可行性，科研人員對腎臟纖維化（通常被稱為疤痕組織）程度各不相同的腎臟活檢切片展開了原理循證研究。基于CNN的機器學習框架依賴數字化影像的像素密度，而疾病的嚴重程度則由多個臨床實驗室衡量標準和腎臟存活率確定。隨后將CNN模型的表現與使用腎臟病理學家報告的纖維化程度作為唯一輸入及腎臟存活率作為輸出的模型進行比較。在所有場景中，CNN模型的表現都比其他模型的表現要好。

“盡管專家級病理學家訓練有素的眼睛能夠判斷出疾病的嚴重程度并能夠以極高的準確度檢測出腎臟受損的細微差別，但并非所有地方都能夠提供此類專業經驗，特別是在全球范圍內而言。此外，目前對量化腎臟疾病的嚴重程度存在迫切需求，以期能夠將臨床試驗中確定的有效療法應用于治療在常規檢查中發現的疾病嚴重程度相當的患者，”波斯頓大學醫學院（Boston University School of Medicine）助理醫學教授Vijaya B. Kolachalama博士解釋道。“如果在臨床中應用，我們的研究成果將幫助病理學家及早發現相關情況及獲取之前無法得到的洞察，”Kolachalama表示。

科研人員認為，其模型在診斷和預后方面都具有應用價值，并可能催生用于診斷腎臟疾病以及預測腎臟存活率的軟件應用程序的開發。“如果世界各地醫務人員的床邊腎臟活檢影像分類準確度能夠達到腎臟病理學家的水平，這將對腎臟疾病臨床實踐產生重大影響。從本質上來說，我們的模型具有作為代理腎臟病理學家的潛質，特別是在資源有限的環境中，”Kolachalama說道。

來自波斯頓醫療中心（Boston Medical Center）的三位腎病主治醫師Vipul Chitalia（醫學博士）、David Salant（醫學博士）和Jean Francis（醫學博士）以及腎臟病理學家Joel Henderson（醫學博士）均對本研究有貢獻。

腎臟疾病每年奪去的生命比乳腺癌或前列腺癌奪去的生命都要多，一般人群的慢性腎臟疾病（CKD）整體患病率約為14%。超過661,000個美國人患有腎衰竭。其中468,000人接受透析治療，約193,000人通過移植的腎臟生存。2013年，超過47,000個美國人死于腎臟疾病。聯邦醫療保險（Medicare）對65歲及以上CKD患者的支出在2013年超過500億美元，占這一年齡組所有聯邦醫療保險支出的20%。聯邦醫療保險對腎衰竭受益人的醫療費用支出增長了1.6%，從2012年的304億美元增長到2013年的309億美元，占所有聯邦醫療保險已付償付費用的7.1%。