<noframes id="ll9r9"><address id="ll9r9"><nobr id="ll9r9"></nobr></address>
<noframes id="ll9r9">
<noframes id="ll9r9"><form id="ll9r9"></form>
    <em id="ll9r9"><form id="ll9r9"><th id="ll9r9"></th></form></em>
    容易發表/成功率高的期刊
    在線客服

    咨詢客服 咨詢客服

    咨詢郵箱:hz2326495849@163.com

    電子論文

    人工智能在慢性腎臟病中的應用研究進展

    時間:2021年08月23日 所屬分類:電子論文 點擊次數:

    【摘要】近年來,隨著計算機硬軟件技術以及互聯網信息的高速發展,人工智能(AI)作為當今研究的熱點領域,已被廣泛應用于臨床醫學,在疾病診斷、疾病風險及預后預測顯示出了良好的應用前景。慢性腎臟病(CKD)的患病率在全球范圍內持續上升,提高診療、改善預后

      【摘要】近年來,隨著計算機硬軟件技術以及互聯網信息的高速發展,人工智能(AI)作為當今研究的熱點領域,已被廣泛應用于臨床醫學,在疾病診斷、疾病風險及預后預測顯示出了良好的應用前景。慢性腎臟病(CKD)的患病率在全球范圍內持續上升,提高診療、改善預后一直以來都是廣大醫務人員工作的重點及難點。本文就AI在慢性腎臟病的研究及應用進行綜述,為慢性腎臟疾病的高效化、精準化診療提供可行手段支持。

      【關鍵詞】人工智能;慢性腎臟病;輔助診斷;風險評估

    人工智能

      目前,慢性腎臟病已成為已經成為全球公共衛生問題。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變以及感染、免疫等多種因素,使得人群中慢性腎臟病患病率顯著增高。據一項調查顯示,慢性腎病3期(CKD3期)患者的年花費約為1205美元,CKD4期患者個人的年花費約為1963美元,CKD5期患者的年花費約為8035美元,血液透析患者的年花費約為34554美元[1],給個人及社會帶來了巨大的負擔。

      因此提高對慢性腎臟疾病的診斷及治療水平,就有可能延緩慢性腎臟病進展,減少終末期腎病的發生,減輕個人、家庭、社會的經濟壓力和醫療負擔。而慢性腎臟病病種繁多、病情遷延,對慢性腎臟病的精準診療存在著一定難度。隨著AI技術的不斷發展,“人工智能+醫療”模式在臨床疾病的預防、診斷、治療、管理等方面的應用價值及發展空間得以顯現[2-3]。本文主要簡述了AI在慢性腎臟病中的應用和研究進展,為提高慢性腎臟病的診療提供有力的幫助。

      1.人工智能(AI)的概述

      AI是計算機領域的一門前沿技術學科,包括理論、方法、技術及應用系統,主要研究開發能夠模擬、延伸和擴展人的智能的機器,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、機器人等多個領域,具備從醫療大數據中發掘、轉化信息及自我演算發展的能力。AI主要通過機器學習來實現,而深度學習是一種實現機器學習的主流技術,一種在數據的基礎上進行表征學習的方法[6]。有別于傳統計算機技術,AI 在其基礎上通過模擬人類的學習、推理過程,結合計算機高效的信息處理系統,在原有知識的基礎上進行自我學習和整合,最后將新知識加以利用。

      在圖像識別領域,深度學習的代表算法是深度卷積神經網絡(DCNN)[7],它是一種基于高級動物視覺認知模型而延伸出的網絡計算模式,因其獨特的多層次結構連接,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)。在設計建立醫學模型方面,AI依靠計算機技術學習復雜的、非線性相關的變量,在一定程度上彌補了傳統的簡單化設計模型的局限性,并且相較于人腦的思維,可減少變量與預測觀察終點間的錯誤率,甚至可以識別未被證實的從其他變量中推導出來的變量,對評估和預測疾病的風險及預后更為準確[8]。因此,AI在疾病診斷、風險評估具有重要價值。近年來,AI發展迅猛,在醫學領域[9],如醫學影像、藥物研發、病理學等領域取得突破性進展,在慢性腎臟病領域的中的作用也得以顯現。

      2AI在慢性腎臟病中的應用

      2.1輔助診斷

      2.1.1影像學診斷AI在醫學影像中的應用

      主要體現通過對影像大數據進行發掘、搜索和提取,將醫學圖像和計算機圖像處理相結合,對病灶特征進行量化和判斷,幫助臨床醫生能夠及時、準確地識別和分析病變[10]。在腎臟病領域,KUO等[11]學者開發了一個利用腎臟超聲圖像來自動評估腎小球濾過率(eGFR)和CKD狀態的模型,通過利用腎臟超聲圖像測量腎臟長度,由此轉換為成eGFR,與利用血清肌酐所計算出來的eGFR,兩者的相關系數為0.74。若是以此模型計算出的eGFR<60mL·min-1·1.73m-2判定為CKD狀態,則模型對CKD狀態的判斷準確率為85.6%;而讓4位經驗豐富的腎臟病學家通過這些腎臟超聲圖像對CKD狀態進行判斷的話,準確率只有60.3%~80.1%。

      這突破了傳統的超聲圖像僅作為一種形態檢查工具這一觀點,表明AI在腎臟超聲圖像的擴展應用方面很有前景,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,其特點是腎囊腫的進行性發展導致腎臟進行性增大,常伴有腎功能下降,而腎臟體積大小和增長率是該疾病進展的指標。通過AI技術,有學者開發了快速、可靠的測量腎臟體積的定量方法,對研究ADPKD的疾病進展具有重要意義[12]。此外,AI技術在腎臟腫瘤的研究中也顯現出了重大價值,能夠幫助臨床工作者鑒別腎臟良惡性腫瘤[13-14],在傳統影像學的基礎上可以提高診斷效能,為臨床決策提供指導意見,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準,不僅有助于疾病的診斷,而且其準確率、病變進展程度的判定直接影響制訂后續治療方案以及評估臨床預后等。

      在2016年,NatureCommunication雜志報道了一項研究,該研究表明可通過數字病理切片的分析對肺癌患者進行危險分層,可預測患者的預后[15],此后人工智能成為在組織病理學領域的研究熱點。對于腎臟疾病的分類,往往依靠病理學家根據對患者腎臟活組織檢查的視覺評估來進行,但是視覺評估結果可能因病理學家而異,存在可變性而且具有不可重復性。機器學習算法有可能實現自動化并提高分類的準確性,可以減輕病理學家的工作量,也具有精確、細致的優點。GINLEY等[16]研究人員研發了一種用于檢測糖尿病腎病(DN)嚴重程度而無須人為干預的計算方法,將傳統的圖像分析與現代的機器學習模式相結合,在微觀水平上檢查患者腎活檢的數字圖像,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。

      研究人員使用他們的方法對54例患有DN的患者的活檢樣本進行數字分類,并發現數字分類與3名不同病理學家的數據分類基本一致。此外,有學者將卷積神經網絡用于識別正;蛘呤軗p的腎小球,平均精確度可達96.94%,對于腎小球疾病的診斷及鑒別診斷有重要意義[17]。卷積神經網絡模型還被應用于定量評估腎活檢組織中腎間質纖維化程度以及腎小管萎縮程度,同時結合患者尿蛋白水平和血清肌酐水平,對患者慢性腎臟病狀態的預測優于病理學專家所做出的預測[18]。

      HERMSEN等[19]的研究中,應用卷積神經網絡模型來準確分析腎移植健康和患病組織,通過產生高度準確和可重復的數據表征疾病過程可促進對腎移植的研究,從長遠角度來看這可以改善對移植患者的診斷,進而改善器官生存。上述這些研究將為人工智能自動識別腎臟組織病變并進行高效診斷奠定基礎。

      2.2疾病風險評估

      2.2.1IgA腎病IgA腎病是我國最常見的原發性腎小球腎病,據調查顯示約20%~40%的IgAN患者在確診后的10~20年內會進展至終末期腎臟病(ESRD)。因此早期預測ESRD風險具有重要意義。LIU等[20]學者回顧性分析了262例經活檢證實的IgAN患者,利用AI來預測IgAN患者的ESRD狀態。該預測模型顯示,Oxford-MEST評分、C3染色和eGFR是預測中國IgAN患者ESRD狀態的重要指標。更有CHEN等[21]學者利用常規數據(包括人口統計學資料、臨床和病理數據)開發了一個預測模型,將機器學習算法與患者生存分析相結合,對IgAN疾病進展的風險進行分層,為進行早期干預提供依據。

      2.2.2DN

      DN是糖尿病患者最重要的微血管慢性并發癥之一,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風險進行分層,是改善患者預后的關鍵。

      LEUNG等[22]在2013年采用基于機器學習和數學模型的多階段策略對119例DN患者和554例非DN2型糖尿病患者的基因型-表型風險模式進行預測,該研究發現年齡、診斷年齡和血脂是主要的臨床預測因子,而炎癥和脂質代謝相關的遺傳多態性則是最主要的遺傳預測因子。MAKINO等[23]以64059例糖尿病患者的電子病歷(EMR)為基礎,采用人工智能技術,構建了一個新的具有3073個特征的DN預測模型。AI預測DN加重的準確率達到了71%。此外,該模型顯示在10年間,DN進展組的血液透析發生率顯著高于非進展組(n=2900)。AI新的預測模型可以檢測DN的進展情況,有助于更有效、更準確地干預DN進展,減少患者進入血液透析階段。

      2.3CKD并發癥

      隨著CKD的進展,會導致代謝性酸中毒、高鉀血癥、礦物質骨病、高磷血癥、高血壓、高尿酸血癥、腎性貧血等多種并發癥,這些并發癥會加快CKD的進展,使之成為一惡性循環。

      因此,對CKD并發癥的早期診治對改善CKD預后尤為重要。AI在CKD并發癥的早期預警中也有相關研究。GALLOWAY等[24]僅使用2根心電圖導聯建立一個深度學習模型來檢測腎病患者的高鉀血癥,AUC為0.853~0.883。但這項研究是回顧性的,所以需要前瞻性研究來檢驗。而且該模型特異性低,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癥之一,是導致慢性腎臟病患者死亡率倍增的重要原因之一。2016年的中國透析結果和實踐模式研究(中國的DOPPS)顯示,CKD患者貧血的患病率為21%[25]。

      貧血可增加心臟負荷,引起心臟擴大和肥厚,引起心力衰竭和心肌梗死,增加死亡風險。腎性貧血的主要原因是促紅細胞生成素(EPO)缺乏,此外還有尿毒癥患者血漿中的一些毒性物質通過干擾紅細胞的生成和代謝。外源性EPO(ESA)及鐵劑是目前主要的治療手段。但一項薈萃分析顯示,ESA劑量使用不當,血紅蛋白(Hb)水平過高或增長過快,會增加CKD患者的死亡風險,且此不良反應與ESA劑量相關[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有著重要意義。早年間,已有專家學者對CKD患者ESA個體化劑量進行研究。

      2015年,BARBIERI等[27]使用機器學習(多層感知器,MLP)和線性模型(用于預測ESA治療反應)利用近17份臨床數據(包括患者基線特征、實驗室檢查、透析參數以及ESA和鐵劑的使用劑量),建立了一個貧血控制模型(ACM),用以預測Hb濃度并推薦合適的ESA劑量。隨后該研究團隊通過一項對752例患者的為期24個月的回顧性研究,來評估ACM的準確度[28]。結果顯示,與傳統治療相比,運用ACM,Hb達標率明顯上升(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0.63~0.46mg/kg)。該模型有助于改善血液透析患者的貧血結局,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,應進行更多的試驗,以驗證透析前和腹膜透析患者貧血治療的有效性。慢性腎臟疾病礦物質與骨代謝紊亂(CKD-MBD)是ESRD患者的另一種常見的嚴重并發癥,除了表現為繼發性甲狀旁腺功能亢進、礦物質與骨代謝異常之外,還可引起心腦血管鈣化,導致患者心腦血管死亡率及全因死亡率增加。血清磷酸鹽(P)、鈣(Ca)、甲狀旁腺激素(PTH)3個指標存在相互關系,但關系是非線性的,使用傳統的統計方法在分析變量之間的關聯時存在局限性。

      運用機器學習模式可能提高分析能力。PODRIGUEZ等[29]應用機器學習模式研發了一個1758例血液透析患者數據分析系統,量化上述3個參數之間的關聯程度,與傳統統計方法相比,新模型的預測能力顯著提高。該模型的建立,為臨床上控制監測鈣磷代謝紊亂以及調控藥物劑量提供新的方式。

      人工智能論文范例: 2020年人工智能領域科技發展綜述

      3小結

      人工智能技術發展迅速,在醫學領域已有重大突破,毫無疑問,這種技術將為腎病醫師處理龐大的醫學大數據提供了可行的辦法,并且可以提高臨床醫生的工作效率,使其更高效、準確地完成臨床實踐工作,為實現精準醫療奠定技術基礎。隨著我國慢性腎臟病發病人數的持續增長,龐大的慢性腎病患病人群與目前分布不均衡的醫療資源配置矛盾也隨之顯現。

      通過人工智能技術,提升診療效率及質量,更好地解決醫療資源短缺問題。然而,人工智能目前還面臨著數據信息化程度不一致、數據質量參差不齊[30]、缺乏不同中心的統一標準、缺乏科學驗證、數據的安全性、隱私性[31]等多重挑戰。將人工智能應用于腎臟疾病還需要更多的研究。但相信隨著AI技術的不斷發展成熟及醫學、法律等各領域專家的深化交流,AI在腎臟病領域的應用逐步完善,為慢性腎臟疾病的高效化、精準化診療做出更大貢獻。

      參考文獻

      [1]KIMSH,JOMW,GODS,etal.EconomicburdenofchronickidneydiseaseinKoreausingNationalsamplecohort[J].JNephrol,2017,30(6):787-793.

      [2]王宇飛,孫欣.人工智能的研究與應用[J].信息與電腦(理論版),2016,5:115-117.

      [3]JIANGF,JIANGY,ZHIH,etal.Artificialintelligenceinhealthcare:past,presentandfuture[J].StrokeVascNeurol,2017,2(4):230-243.

      [4]MORTAZAVIBJ,DOWNINGNS,BUCHOLZEM,etal.Analysisofmachinelearningtechniquesforheartfailurereadmissions[J].CircCardiovascQualOutcomes,2016,9(6):629-640.

      作者:白玉環綜述,廖曉輝△審校

    亚洲AV片劲爆在线观看