基于深度学习的IgA肾病肾小球形态定量分析及其预后价值研究

这篇研究通过人工智能框架（DeepLabV3Plus+EfficientNet-B3）对IgA肾病（IgAN）全切片图像（WSI）中的肾小球进行多病变类型分割（如全球硬化、新月体等），并提取形态学特征预测肾脏预后。结果表明，仅基于图像特征的预测模型与临床数据模型效能相当（AUC达0.941），且二者结合可进一步提升预测性能，为牛津分类（MEST-C）和IIgAN-PT评分体系提供了补充性量化指标。

　　

摘要

本研究开发了一种基于深度学习的人工智能框架，用于定量分析IgA肾病（IgAN）患者肾活检全切片图像（WSI）中的肾小球形态学特征，并评估其预后价值。通过整合DeepLabV3Plus和EfficientNet-B3模型，团队成功实现了对5类肾小球病变（无病变、全球硬化、节段性硬化、新月体、缺血性改变）的自动化分割与分类，并在来自韩国7家三级医院的1,241例WSI中验证了模型性能。结果显示，内部与外部验证的加权平均精度（AP）分别为0.795和0.818，Dice相似系数（DSC）为0.721和0.743。值得注意的是，仅基于图像特征的预后模型（XGBoost算法AUC 0.941）与临床数据模型表现相当，且二者联合可小幅提升预测效能。研究首次证实，肾小球形态定量特征可提供独立于牛津分类和IIgAN-PT评分的额外预后信息。

引言

IgAN是全球最常见的肾小球疾病之一，其诊断和风险分层高度依赖病理医师的主观评估，存在显著的观察者间变异。尽管牛津分类（MEST-C评分）和IIgAN-PT工具已用于预后预测，但前者依赖人工判读，后者受限于数据完整性。近年来，数字病理与人工智能的结合为肾活检分析提供了新思路。既往研究多聚焦于肾小球硬化或单一病变分析，而本研究创新性地实现了多病变类型的同步量化，并系统评估了形态学特征对预后的预测价值。

材料与方法

研究对象：回顾性纳入韩国7家医疗机构的1,241例IgAN患者PAS染色WSI，排除随访<6个月的病例。
模型开发：

1. 数据预处理：采用512×512滑动窗口（50%重叠）提取图像块，通过过/欠采样平衡类别（如新月体占比仅2.4%）；
2. 分割模型：基于多通道掩模的DeepLabV3Plus架构，使用Dice损失函数和Adam优化器；
3. 后处理：通过距离变换和分水岭算法解决肾小球粘连问题；
4. 特征提取：量化8项形态参数（如面积、长轴长度、圆形度等）；
5. 预后模型：比较XGBoost、随机森林和逻辑回归算法在纯图像特征、临床数据（含eGFR、UPCR、MEST-C评分）及联合模型中的表现。

结果

分割性能：全球硬化肾小球AP最高（0.785-0.795），而新月体和缺血性改变因样本稀少表现较差（AP 0.438-0.472）。
形态特征：无病变肾小球占69.3%面积，缺血性改变最少（4.4%）。
预后预测：

• 纯图像模型（XGBoost AUC 0.941）优于纯临床模型（AUC 0.823）；
• 全球硬化相关特征（如面积比）在特征重要性分析中位列前5；
• 联合模型AUC提升但未达统计学显著性（p>0.05）。

讨论

研究首次证实，基于PAS染色的肾小球简单形态学特征（如全球硬化比例）具有与复杂临床指标相当的预后价值。值得注意的是，牛津分类中的T评分（肾小管萎缩）和图像特征在模型中显示出互补性。局限性包括：1）罕见病变样本不足；2）未纳入肾小管间质特征；3）未进行生存分析。未来可结合纹理特征和时空数据进一步优化模型。该框架为IgAN的自动化风险分层提供了新范式，其技术路线亦可拓展至其他肾脏疾病乃至肿瘤病理分析。