基于随机森林与活体成像的人工智能策略检测肾缺血再灌注损伤的早期组织学变化

本研究针对肾脏缺血再灌注损伤（IRI）早期检测难题，开发了一种基于随机森林（RF）的监督机器学习模型。研究团队通过活体双光子显微镜实时捕获大鼠肾脏组织中细胞核（Hoechst 33342）、血管（FITC-dextran）和线粒体（TMRM）的动态变化，并提取灰度共生矩阵（GLCM）、游程长度矩阵（RLM）和小波变换（DWT）的5个纹理特征作为输入参数。结果显示，损伤组织与对照组织的纹理特征均存在显著差异（p<0.001），RF模型分类准确率达79.8%，ROC曲线下面积（AUC）为0.83。该研究首次将纹理分析与AI结合用于IRI的活体成像数据解析，为急性肾损伤（AKI）的早期诊断提供了新思路。

　　

在肾脏疾病研究领域，缺血再灌注损伤（IRI）是导致急性肾损伤（AKI）的主要原因之一，常见于休克、大手术等临床场景。IRI发生时，肾脏血流暂时中断后恢复，反而会引发更严重的组织损伤，包括活性氧爆发、炎症反应和细胞死亡。然而，IRI的早期病理变化十分细微，传统方法难以实时捕捉。活体显微镜（IVM）技术虽能动态观察活体动物器官的生理病理过程，但受限于光毒性、运动伪影等问题，尤其在对结构复杂的肾实质成像时，如何精准识别早期损伤标志仍是一大挑战。

为此，来自贝尔格莱德大学、哈利法科技大学等机构的研究团队在《Scientific Reports》发表论文，提出了一种结合人工智能与多模态活体成像的创新策略。研究团队建立大鼠单侧肾IRI模型（肾蒂闭塞30分钟后再灌注15分钟），通过活体双光子显微镜实时记录肾脏皮质区域在损伤过程中的核、血管及线粒体变化。

关键技术方法包括：

1. 1.
   活体双光子显微镜成像：静脉注射Hoechst 33342（细胞核标记）、FITC-dextran（血管标记）和TMRM（线粒体膜电位探针），连续采集缺血期30分钟及再灌注15分钟的动态影像；
2. 2.
   纹理特征提取：从512×512像素的影像帧中手动分割2000个400×400像素的感兴趣区域（ROI），利用MaZda软件计算灰度共生矩阵（GLCM）的角二阶矩（ASM）和逆差矩（IDM）、游程长度矩阵（RLM）的短游程强调（SRE）和长游程强调（LRE），以及离散小波变换（DWT）的HH子带能量（En_HH）；
3. 3.
   随机森林分类器：以5个纹理特征为输入，通过5折分层交叉验证优化超参数，评估模型准确率、F1分数、马修斯相关系数（MCC）和ROC曲线下面积（AUC）。

纹理分析量化指标

研究结果显示，IRI损伤组织的纹理特征与对照组存在显著差异：

• •
  ASM在损伤组织中升高（0.0526±0.0192 vs. 0.0253±0.0197），表明损伤后纹理均匀性增加，可能与染色质凝聚或细胞水肿有关；
• •
  IDM在损伤组更高（0.7853±0.0686 vs. 0.6780±0.0779），反映局部同质性增强；
• •
  LRE显著上升（27.10±11.09 vs. 11.22±11.59），而SRE下降（0.6194±0.0462 vs. 0.6876±0.0550），提示损伤组织中出现更长均质区域，细微结构减少；
• •
  En_HH在损伤组降低（0.1520±0.1983 vs. 0.4228±0.3067），表明高频细节丢失，可能与亚细胞结构破坏有关。
  所有特征组间比较p值均小于0.001。

随机森林机器学习模型

优化后的随机森林模型（200棵决策树，最大深度5）在独立测试集上达到79.8%的分类准确率，宏平均F1分数为0.79，MCC为0.5959，ROC AUC为0.83。模型对控制组ROI的查准率为0.78，查全率为0.82；对损伤组ROI的查准率为0.81，查全率为0.77。混淆矩阵显示，模型正确分类165个控制ROI和154个损伤ROI，误分类35个控制ROI和46个损伤ROI。

结论与展望

本研究首次将GLCM、RLM和DWT纹理特征与随机森林算法结合，实现了基于活体成像数据的IRI早期自动识别。尽管模型在有限样本下表现良好，但作者指出其局限性包括二维成像无法完全反映三维结构、染料浓度差异可能影响特征稳定性等。未来工作将扩大数据集、引入三维分析及多模态成像，并探索与卷积神经网络（CNN）的混合模型以提升泛化能力。该研究为AI辅助的肾脏病理实时监测提供了概念验证，有望推动急性肾损伤的早期干预策略发展。