计算机辅助诊断系统在膜性肾病中的应用
目的 近年来，随着人口老龄化、环境污染的加重，膜性肾病的发病率越来越高，当前膜性肾病的诊断主要依靠肾活检，最终的临床诊断仍需要病理学证据的支持。随之而来，病理阅片量的增加，加重了病理科医生的工作负担，同时也加剧了医疗机构的人力及物力的投入。当前人工智能辅助技术逐渐出现在人们视野中，能否利用人工智能技术中的深度学习方法，建立一种计算机辅助诊断系统，实现膜性肾病诊断的自动化与快速化，减轻临床病理医师工作负担，提高临床诊疗效率，使医疗资源分配合理化，是本次研究所探讨的主要内容。 方法 本研究采用回顾性数据分析方法，选取陕西省人民医院肾病血透中心2015年3月至2020年6月，筛选符合标准的肾活检患者216例，共采集肾脏病理图片中的肾小球5964个。其中阳性组为膜性肾病189例（I期96例，II期66例，III期26例，IV期1例），阴性对照组为肾小球轻微病变27例。其中男性139（占64.4%）人，女性77（35.6%）人，年龄范围15-88岁，所有纳入本研究的患者，分别收集Masson、HE、PAS、PASM四种染色的病理组织切片，并在×200倍光镜下采集所有符合标准的肾小球共5964个；其中膜性肾病组肾小球数3269个，I期735个（占12%），II期1190个（占20%），III期1344个（占23%）；阴性对照组肾小球数2695个（占45%）。将两组不同分期肾小球图片用Anaconda3.0标记软件标注，并用不同编码标记分期，将已经分期标注的肾小球图片输入计算机进行深度学习处理，后期不经标注输入计算机，利用“黑盒子”原理，查看机器输出的病理分型和诊断是否符合病理医师诊断的结果，比较结果准确率的高低。结果 本次研究中阳性组及阴性组共标记肾小球图片总数3152个，包含肾小球数5964个；其中阳性组标记肾小球图片1805个（I期401个，II期664个，III期740个），肾小球数3269个（I期735个，II期1190个，III期1344个）；阴性组采集肾小球图片1347个，肾小球数2695个。深度学习模型初期识别出不同分期肾小球的平均正确率（mAP）为0.88,其中I期0.80，II期0.81，III期0.96，肾小球轻微病变组：0.94。 结论 1.与人工标记准确率相比，基于深度学习算法的计算机辅助诊断系统对膜性肾病不同分期的诊断平均正确率高达0.88，有较高的诊断准确性。 2.通过本次研究初步建立起膜性肾病病理诊断数据集，不同分期数据集分布不均，数量偏少，仍需后期不断更新完善数据，从而进一步建立完整的数据库。 3.该系统同样适用于依赖病理诊断的其它临床相关疾病，有广泛的应用前景。
膜性肾病;计算机辅助诊断系统;深度学习;人工智能;肾小球
西安医学院
硕士
内科学
李振江
2021
中文
R692
2021-12-15（万方平台首次上网日期，不代表论文的发表时间）