深度学习在局灶节段性肾小球硬化症的组织病理学和基因组数据中的应用综述

《Computational Biology and Chemistry》：A Review of Deep Learning Applications on Histopathologic and genomic Data in Focal segmental glomerulosclerosis

　　• 识别和分析用于肾小球分割和诊断FSGS的不同深度学习（DL）模型基变压器模型。
• 探究多任务学习策略如何被用来提高不同任务的性能，以预测FSGS的复发。
• 为了增强分子维度，本综述结合了与FSGS病理学相关的转录组学和基因组学研究。
• 为了发现多任务学习，本文结合了分割、分类和结果预测，以提高FSGS诊断的可靠性和效率。

**引言**
局灶性节段性肾小球硬化症（FSGS）的医学诊断揭示了肾小球的损伤模式，但它并未将这些损伤与特定的原因或改善方法联系起来（Mitrotti等人，2024年；Qasim等人，2025年；Babarinde等人，2025年）。FSGS是一种原发性肾小球疾病，会导致慢性肾病（CKD），同时具有CKD的风险特征，如高血压和肥胖，这些因素可能加剧FSGS的发展（Li等人，2025年）。它反映了不同病理状况的结构结果，可以以与任何先前的肾小球或系统性疾病无关的原始形式出现（Mahesh等人，2026年；Da Costa，2024年）。FSGS见于患有肾病综合征的患者中，这对预后有重要影响，因为它突出了一组儿童和成人患者的肾功能逐渐下降的情况（Pitcher等人，2024年；Wendt等人，2024年；Liao等人，2025年）。FSGS的关键形态学特征是节段性肾小球瘢痕，但还有其他与这一诊断相关的病理特征（Iwadoh和Tonsho，2025年；Lewis等人，2025年）。除了肾小球瘢痕外，这些特征的致病和预后意义尚不清楚（Thota等人，2024年；Attieh等人，2024年）。先前的形态学研究表明，上皮细胞损伤在FSGS的发展中起作用（Katafuchi等人，2025年；Dahlke等人，2025年）。有报道称存在上皮细胞增生和肥大（Pilli等人，2024年；Elkholy等人，2024年）。从基底膜脱离和坏死是两种更严重的上皮损伤指标（Finn，2024年；Karunasri等人，2022年）。此外，在看起来正常的肾小球和有瘢痕的个体中都报告了上皮细胞足突的弥漫性消失。FSGS指的是一组表现出不同临床表现的肾小球病变（Tuttle等人，2024年；Altintas等人，2025年）。由于胶原性细胞外基质的积累、细胞数量的增加或两者的结合，它表现出类似于节段性硬化和肾小球结构丧失的损伤模式（Reddy等人，2020年；Huang等人，2025年）。FSGS的原因被认为是原发性的、继发性的、遗传性的或未知的（Hengel等人，2025年；Ni Cathain等人，2025年）。然而，仅依赖光学显微镜检查结果来分类FSGS的组织学变异并不能一致地区分原发性、继发性和遗传性FSGS（Mirioglu等人，2024年；Koirala等人，2025年；M?ller等人，2024年）。临床病理学方法将FSGS主要与一种未知的循环因子的存在联系起来，而没有其他潜在原因的迹象（Shan等人，2025年）。活检结果显示通过电子显微镜可以观察到足突的弥漫性消失（Fervenza等人，2025年；Zhang等人，2025年；Yu等人，2023年）。继发性FSGS是由于影响肾脏健康的各种系统问题或外部因素引起的，这会导致足细胞肥大和肾小球肥大（Husain，2024年；Mascarenhas-Melo等人，2025年）。在临床环境中，亚肾病范围或肾病范围的蛋白尿患者通常具有正常的血清白蛋白水平（Nagaram等人，2024年；Agrawal等人，2025年）。大肾小球、肾门周围瘢痕以及电子显微镜下可见的节段性足突消失是帮助确认继发性FSGS的特征（Yabe等人，2025年；Sima等人，2025年）。遗传性FSGS与编码参与足细胞功能或结构的蛋白质的基因突变有关（Batool，2024年；RikWestland，2024年）。两种主要变异类型包括对基因易感的患者，并且显示出高渗透率的突变（Peri?等人，2025年；Sun等人，2025年）。临床表现可能有所不同，因为某些基因与肾外症状相关，提供诊断线索（Delrue和Speeckaert，2025年；Cheng等人，2025年）。它经常在年轻患者中复发，并且通常对免疫抑制反应不佳（Fan等人，2025年；Raglianti等人，2024年）。肾活检的结果可能不同，可能类似于原发性或适应性FSGS（Deleersnijder等人，2025年；Gipson等人，2024年）。图1展示了FSGS的概览。FSGS在肾病学中的挑战在于其多样的起源、重叠的组织学特征和可变的治疗反应（Yu等人，2025年）。尽管传统的活检评估是必不可少的，但它们经常遇到问题，包括取样变异性、主观解释以及分子数据整合不足（Qiao等人，2024年）。目前，使用不同的成像模式（最常见的包括磁共振成像（MRI）、计算机断层扫描和X光）来验证术前局部疾病分期。然而，这些成像模式在FSGS、宫颈癌、胃癌和乳腺癌等复杂疾病区域存在局限性（Zhao等人，2026年；Shen等人，2026年；Zhang等人，2025年）。尽管如此，基于机器学习（ML）的最新进展，如支持向量机（SVM）、随机森林（RF）、逻辑回归（LR）以及深度学习模型（如卷积神经网络（CNN）、深度神经网络（DNN）和循环神经网络（RNN）已被用于全片组织病理图像（WSI）和基因组数据（Zhang等人，2022年；Wang等人，2022年；Ren等人，2025年）。使用WSI和基因组数据样本提供了通过自动化、一致性和多模态分析来改进FSGS诊断的绝佳机会（Song等人，2025年）。然而，尽管有一些早期的有希望的研究，但某些策略尚未完全用于临床应用，特别是在数据集标准化、多机构验证以及整合到当前诊断程序方面。最常见的FSGS特征是小于50%的硬化。FSGS被定义为原发性和继发性的；原发性FSGS包括所有肾病综合征病例。继发性FSGS包括肥胖和HIV感染等情况。显微镜下可见足细胞和楔形体的扩张。镰状细胞贫血和慢性高血压等状况通过增加肾小球负担和导致适应性瘢痕而促进继发性FSGS的发展。硬化是节段性的，主要的组织学变异已被识别。使用电子显微镜，特征性发现包括足细胞从肾小球基底膜脱离。研究发现包括由于尿蛋白丢失导致的低白蛋白血症，从而引起水肿。高脂血症和脂尿是肾病综合征的继发效应。继发性FSGS的治疗重点在于解决根本原因，可能包括管理高血压、控制肥胖或停止使用肾毒性药物。为了应用支持性策略，如血压调节和水肿管理对于减缓疾病进展和避免肾衰竭至关重要。尽管在肾脏组织病理图像分析和基因组数据解释方面取得了最新进展，但这些技术在FSGS的应用仍受到疾病异质性、有限的注释数据集、分子和形态学特征整合不足以及模型可解释性和泛化能力限制的影响。现有方法主要集中在个别任务上，如肾小球分割、病变分类或分子分析，限制了它们提供疾病特征和临床结果全面理解的能力。为了解决这些不足，本综述探讨了基于DL的FSGS分析的最新发展，特别强调了卷积神经网络、视觉变压器、混合架构、多任务学习以及组织病理和基因组信息的整合。基于分析，本综述比较了现有方法，指出了它们的优势和局限性，并讨论了与数据集可用性、计算复杂性、模型可解释性和临床验证相关的关键挑战。此外，它概述了未来研究的方向，旨在开发出鲁棒、可解释且计算效率高的多模态框架，用于FSGS评估。总体目标是阐明DL在FSGS研究中的当前能力和局限性，并为未来旨在改进疾病特征、复发风险评估和个性化临床决策支持的研究奠定基础。

**诊断FSGS**需要超越现有组织病理学评估的方法，因为这种疾病表现出相当大的变异性，并且经常与其他肾小球疾病具有相似的形态学特征。肾活检解释可能导致临床决策中的不一致性，从而导致取样误差和病理学家的评估错误。最近的基因组谱分析揭示了与FSGS相关的不同突变和模式。由于数据的复杂性和体积，这些重要的分子见解在临床实践中尚未得到充分利用。DL为自动化评估全片组织病理图像提供了有希望的解决方案，以便在基因组数据集中识别有信息量的模式。这种方法的整合提供了更可靠的结果，最终改善了FSGS患者的预后。许多最近的研究和针对性研究从多个角度（如组织病理学、基因组学、生物标志物和治疗选择）探讨了FSGS。总体而言，这些发现强调了诊断该疾病的问题以及临床实践中研究结果的持续差异。FSGS定义了一种在肾脏组织中观察到的独特组织学模式，整合了多种潜在因素并导致足细胞损伤。Bonilla等人（2024年）指出，由于组织病理学和临床结果之间的联系较弱，分类存在重大问题。作者强调了准确术语的重要性，以理解疾病进展并指导针对性治疗。最近，研究人员提出了一种基于病理机制的方法，用于区分原发性、继发性、遗传性和未知原因，从而可能提高诊断精度。由单基因突变引起的遗传性FSGS在儿童和成人中都有发生，对于有慢性肾病、肾病综合征或治疗抵抗史的患者，强烈建议进行基因检测。该综述还关注了全基因组关联研究，这些研究确定了APOL1风险变异是FSGS的促成因素。针对潜在共因子缺陷的靶向治疗显示出潜力，早期发现提供了有趣的治疗选择，尽管目前尚无针对遗传性FSGS的特定治疗方法。Wang等人（2025年）通过结合来自GEO的五个微阵列数据集和来自GeneCards数据库的压力相关基因，识别了与FSGS相关的内质网应激生物标志物。limma R包用于发现差异表达基因（DEGs），加权基因共表达网络分析（WGCNA）有助于发现关键基因模块。这项研究开发了一个结合生物标志物和校准曲线的诺模图，以及决定曲线分析和临床影响曲线，以确定重要的预后和临床价值。肾小球疾病的诊断方法强调了在全球范围内实现准确诊断的差异和挑战。本综述整合了同行评审的研究和调查结果。Elendu等人（2025年）研究了许多缺乏先进诊断技术（如免疫荧光和电子显微镜）的资源匮乏地区。此外，自身免疫性肾小球病的免疫抑制药物和血清学检测也较少。因此，临床医生不能依赖确诊结果来讨论管理不当和医疗不平等问题，而是可以基于推测开始治疗。为了改善全球的肾脏健康结果，作者强调了多学科方法的重要性，并倡导改进诊断设施的资金投入、临床教育和卫生政策改革。Catanese等人（2024年）详细介绍了肾小球疾病的诊断、预后和预测生物标志物，主要集中在FSGS的应用上。该综述分析了来自各种生物标志物研究的编译数据，提出了基于生物标志物的决策树来分析肾小球疾病。这项分析表明，尽管存在许多有效的生物标志物，但在全球范围内只有少数几个在常规临床实践中被使用。诸如测试设施有限、基础设施不足和经济因素等挑战加剧了这一问题。此外，还分析了肾活检可能是侵入性的，特别是对于罕见疾病。现有的生物标志物无法完全替代基于组织的诊断。该综述显示了生物标志物研究和实际应用之间的差距。Limavady等人（2025年）研究了一项关于儿童FSGS的调查，其中 steroid抵抗性肾病综合征和进行性肾衰竭是主要原因。该综述分析了旨在减少蛋白尿和保护肾功能的新型治疗方法的潜力，包括抑制剂、内皮素受体拮抗剂和靶向治疗。文章还提到了足细胞生物学的进展，例如对通道失调和纤维化信号传导的影响，这些进展可能会带来新的治疗选择。作者总结说，基于个体病理生理学的方法代表着儿科FSGS治疗的未来。该综述认可了基因检测、生物标志物发现、分类系统和治疗策略方面的进展，同时也指出了在获取诊断工具方面仍然存在的挑战。此外，文章还将这些信息转化为临床实践。

Campbell等人（2022年）对ACE抑制剂和血管紧张素受体阻滞剂疗法在FSGS治疗中的有效性和安全性进行了系统评价和荟萃分析。这篇综述分析了随机对照试验、非随机干预研究和回顾性研究。然而，它没有分析近期计算机辅助诊断在原发性FSGS中的应用，并低估了这种诊断方法的最新效率。

H?lscher等人（2025年）回顾了FSGS计算病理学的进展。文章讨论了最近的方法学方法，并强调了相关研究分析的潜力和局限性。同时，也探讨了FSGS的数据集细节和新兴趋势。对现有综述的批判性分析总结在表1中。

根据上述表1，现有的综述分析存在一些局限性。大多数综述分析集中在一些共同的问题上，如缺乏对数据集细节的讨论以及对公共数据集信息的依赖，这降低了FSGS诊断中新兴趋势的影响。此外，一些综述分析没有分析近期计算机辅助诊断在原发性FSGS中的应用，从而低估了这种诊断方法的最新效果。多数综述分析侧重于传统疗法，而在不断增长的世界人口中，这些疗法对于长期诊断结果并不有效。鉴于这些局限性，现代世界中的未来研究方向以及疾病预后研究变得尤为重要。一些综述分析涉及医学领域中人工智能（AI）发展的计算机辅助诊断（CAD）机制，这有助于改进实验分析并控制疾病的早期影响。这一现有局限性以及AI在医学领域的最新进展促使人们开展更全面的综述分析，以增强机器学习（ML）和深度学习（DL）在FSGS框架中的应用。在综述分析中，重点关注基于DL模型的Transformer模型、多任务学习策略以及FSGS诊断中的转录组学和基因组学研究。此外，文章还展示了ML和DL领域当前的研究挑战、多模态学习任务、新的自动化架构、新的数据集细节以及确保FSGS研究未来方向的比较分析。

本文的主要贡献包括：
- 识别并分析用于肾小球分割和FSGS诊断的不同基于DL模型的Transformer模型。
- 探究如何利用多任务学习策略提升不同任务的性能，以预测FSGS的复发。
- 通过结合与FSGS病理相关的转录组学和基因组学研究来增强分子层面的理解。
- 通过结合分割、分类和结果预测来提高FSGS诊断的可靠性和效率。

本文的结构如下：第2节分析了选择文章的方法；第3节全面介绍了FSGS，包括其临床特征和多种病理形式；第4节讨论了FSGS背景下的肾脏移植；第5节从病因学角度探讨了疾病的发展过程及目前可用的治疗选项；第6节介绍了用于FSGS诊断的Transformer相关架构；第7节强调了能够提高FSGS分类能力的多任务策略；第8节阐述了基因表达分析如何帮助理解疾病的病理生理学；第9节介绍了评估策略；第10节列出了各种研究中使用的数据集；第11节讨论了实施DL过程中遇到的困难；最后，第12节和第13节总结了新兴趋势，并展望了未来的研究方向。

**文章选择**
本研究进行了系统文献回顾，主要关注多任务DL和基于Transformer的架构在FSGS研究中的应用。与以往的调查不同，本文重点关注计算方法，并强调了Transformer模型、DL和AI在FSGS分类、预测和诊断中的应用。以往的研究主要从病理和临床角度探讨了FSGS。

**结论**
本文分析了不同策略在应对FSGS诊断挑战中的重要性，突出了先进计算模型的潜力，并展示了性能分析结果。特别是CNN-Transformer混合架构通过提取局部形态特征和捕捉肾组织病理图像中的长距离上下文关系，提供了互补的功能。

**资金信息**
本文撰写过程中未获得任何资助。

**未引用的参考文献**
(Hu等人，2023年；Deleersnijder等人，无日期；He等人，2025年；He等人，2025年；Wang等人，2025年；Yang等人，2025年；Yu等人，2025年；Zhang等人，2025年)

**作者贡献声明**
Shiva Shankar Reddy：研究、正式分析、数据管理
Sasanko Sekhar Gantayat：监督、软件开发、项目管理
Doddi Srikar：撰写与编辑、初稿撰写、可视化
Vivek Kumar Dhimole：资源提供、软件开发、监督、验证、撰写与编辑

**利益冲突声明**
作者声明没有任何已知的财务利益或个人关系可能影响本文的研究结果。