编辑推荐：
在肾脏疾病诊断中，测量肾小球基底膜（GBM）厚度和评估足细胞足突消失百分比（% PFPE）意义重大，但手动评估存在诸多问题。研究人员开发基于深度学习的流程开展研究，结果显示 DeepLabV3 + 模型表现更优。该研究为肾脏疾病诊断提供新方法。
在医学领域，肾脏疾病的准确诊断一直是关键问题。肾小球基底膜（GBM）厚度以及足细胞足突消失百分比（% PFPE），对于诊断诸如糖尿病肾小球硬化症、狼疮性肾炎等非肿瘤性肾脏疾病有着至关重要的作用。GBM 作为肾脏肾小球过滤屏障的一部分，其厚度变化往往能反映出病理改变。而足细胞足突的状态，同样是判断肾脏健康状况的重要指标。
以往，肾病理学家主要依靠透射电子显微镜（EM）获取的高分辨率图像来手动测量 GBM 厚度和评估 PFPE。然而这种传统方法面临着重重困境。一方面，不同的肾病理学家由于经验和测量标准的差异，会导致测量结果出现显著的观察者间差异，严重影响了结果的可重复性和临床实用性。另一方面，肾脏组织中存在的各种超微结构变化，像电子致密沉积物（EDDs，通常代表免疫复合物沉积）以及 GBM 重塑（常表现为 GBM 增厚），会干扰 GBM 和足细胞足突的观察，使得评估工作变得更加复杂，甚至可能导致误诊或对疾病情况的低估。此外，不同实验室缺乏标准化的操作流程和校准方法，也为 GBM 等测量结果引入了更多的不确定性。
为了突破这些困境，来自国外（文中未明确具体研究机构名称，仅提及数据收集获 Cedars-Sinai 医学中心机构审查委员会批准）的研究人员开展了一项极具创新性的研究。他们开发了一种全新的基于深度学习（DL）的流程，旨在减少人为误差，提高 GBM 厚度和 % PFPE 量化的一致性与效率。
该研究具有重要意义。它为肾脏疾病的诊断提供了更精准、客观的量化指标，有助于提高诊断的准确性和可靠性，推动肾脏疾病诊断技术的发展，也为后续的临床治疗和疾病监测提供了更有力的支持。该研究成果发表在《Computer Methods and Programs in Biomedicine》上。
研究人员在这项研究中运用了多种关键技术方法。首先，他们收集了 83 名受试者的肾脏活检样本，这些样本涵盖了 21 种肾小球异常疾病以及部分非肾小球疾病。样本经过标准流程处理后用于 EM 成像。接着，研究人员使用了两种深度学习模型，即 DeepLabV3 + 和 U-Net。其中，DeepLabV3 + 采用在 ImageNet 数据集上预训练的 ResNet-18 作为骨干网络，U-Net 则是此前研究中常用的模型。研究人员利用这两种模型对 EM 图像进行语义分割，并通过算法对预测的 GBM 和足细胞掩模进行分析，从而自动测量 GBM 厚度的校正调和均值（cmGBM）和估计 % PFPE。最后，将自动测量结果与由 5 名临床医生确定的真值（GT）掩模以及资深肾病理学家手动测量的结果进行统计比较。
研究结果
- 模型评估结果：在 31 张测试集图像中，DeepLabV3 + 模型表现出色，其全局准确率（gACC）达到 92.8%，加权交并比（wIoU）为 0.869，优于 U-Net 模型（gACC 为 88.9%，wIoU 为 0.800）。这表明 DeepLabV3 + 在对 EM 图像中各类结构的识别和分割上更为准确。
- GBM 厚度测量结果：从 DeepLabV3 + 模型生成的掩模得出的 cmGBM 与基于 GT 掩模测量的结果一致性极佳，组内相关系数（ICC）达到 0.991（p < 0.001）；U-Net 模型生成的 cmGBM 与 GT 掩模测量结果也有较好的一致性（ICC = 0.881，p < 0.001）。这说明两种模型在测量 GBM 厚度方面都有一定的可靠性，但 DeepLabV3 + 表现更为突出。
- % PFPE 估计结果：使用 DL 生成的足细胞掩模估计的 % PFPE 与基于 GT 的结果高度一致，DeepLabV3 + 和 U-Net 的 ICC 值分别为 0.926 和 0.928。这表明两种模型在评估足细胞足突消失情况方面都较为可靠。
- Bland-Altman 图分析结果：Bland-Altman 图显示，从 DeepLabV3 + 模型生成的掩模得到的 cmGBM 和 % PFPE 存在正偏差，而从 U-Net 模型生成的掩模得到的 cmGBM 和 % PFPE 存在负偏差。不过，在测量 cmGBM 时，DeepLabV3 + 模型生成的掩模提供的一致性界限（LoA）范围比 U-Net 模型更窄，这意味着 DeepLabV3 + 模型在测量 cmGBM 时更为精确。
研究结论与讨论
这项研究充分展示了人工智能在评估肾脏疾病 EM 图像方面的巨大潜力。通过精确的图像分割模型，研究人员开发的流程能够比现有方法更可靠地测量 GBM 厚度，更精准地量化 % PFPE。DeepLabV3 + 模型在整体性能上优于 U-Net 模型，为肾脏疾病的诊断提供了更准确、客观的量化依据。
然而，研究也存在一定的局限性。虽然该流程在测量方面表现出色，但在实际临床应用中，还需要进一步优化和验证，以确保其在不同临床环境下的稳定性和可靠性。此外，研究中使用的样本数量相对有限，未来需要更大规模的研究来进一步验证该方法的有效性。
尽管如此，该研究成果依然为肾脏病理学诊断的发展开辟了新的道路。随着技术的不断进步和完善，这种基于人工智能的方法有望广泛应用于临床实践，提高肾脏疾病的诊断效率和准确性，为患者的治疗和管理提供更有力的支持，推动肾脏病理学诊断向更精准、更高效的方向发展。
