Kidney Int：蒋小云/陈崴团队构建基于狼疮性肾炎肾活检病理图像的疗效预测人工智能模型

狼疮性肾炎（LN）诱导治疗的疗效是影响患者预后的重要因素，诱导治疗不缓解者10%在5年内进展至终末期肾病。早期识别诱导治疗效果不佳的患者进而调整其治疗方案有望改善预后。

2024年12月27日，中山大学附属第一医院蒋小云教授、陈崴教授团队共同通讯在Kidney International杂志在线发表题为“Multi-stain deep learning prediction model of treatment response in lupus nephritis based on renal histopathology”的研究论文。该研究首次利用人工智能技术分析LN患者不同染色的肾脏病理图像，构建LN诱导治疗疗效的预测模型，为制定LN个体化治疗方案提供新的决策支持手段。

狼疮性肾炎（LN）是系统性红斑狼疮最常见、最严重的并发症之一，其诱导治疗的疗效是决定患者远期预后的关键因素。然而，目前尚无公认的预测LN患者疗效的临床、病理和生物学指标。肾穿刺活检是诊断LN和指导治疗决策的金标准。HE、PAS、PASM和Masson是肾活检病理检查常规的染色手段。不同的肾组织染色可以反应不同的病理改变，各有优势且各为互补，对于LN诊断有着重要的意义。同时，LN肾脏病理图像蕴含着丰富的生物学信息，具有预测诱导治疗疗效的潜力。然而，传统的病理阅片依靠病理医师的经验进行判断，存在主观差异大、分析费时费力、参数少等不足之处，且病理中与治疗反应相关的潜在特征可能未被肉眼充分识别。深度学习是人工智能领域中一个新的热门研究方向。利用深度学习可捕捉到医学图像上肉眼无法识别的细微特征，具有客观、耗时短及重复性高的优势，已在多种肿瘤疾病的诊断、分期、疗效和预后的预测等方面得到实践，但肾脏病领域的相关研究仍相对较少。

该研究共纳入了245例接受环磷酰胺或霉酚酸酯联合激素诱导治疗的LN患者作为模型开发队列，利用不同深度学习网络分别对患者各个染色（H&E、PAS、PASM、Masson）的肾活检病理图像进行特征提取，首先构建了单一染色的疗效预测模型，进而对四种染色模型进行集成，开发了一种多种染色融合的LN疗效预测模型，并在来自三个外部中心的独立数据集上验证了模型的效能。结果显示，H&E、PAS、PASM和Masson单一染色模型的曲线下面积（AUC）分别为0.813、0.841、0.823和0.862，而多染色模型在内部验证集和外部测试集上的AUC分别达到了0.901和0.840，且显著优于传统的临床和病理预测指标。该研究进一步对模型进行了可视化分析，模型识别出的关键病理特征包括三级淋巴结构、肾小管硬化、间质纤维化和肾小管萎缩等，这些特征对LN患者的疗效预测具有重要作用。

该研究首次基于肾活检病理图像构建了一个早期、高效预测LN诱导治疗疗效的人工智能模型，并在多中心外部队列中验证该模型具有较好的预测效能，有望为LN患者的个体化诊疗提供精准的决策支持。此外，该研究验证了人工智能技术在肾脏病领域应用于病理图像分析以进行疾病风险预测的可行性，为基于肾脏病理图像的风险预测模型的开发开辟了新的思路和可能性。

原文链接：

https://pubmed.ncbi.nlm.nih.gov/39733792/