基于深度学习的病理组学揭示伴炎症细胞浸润的肾小管萎缩是IgA肾病的预后标志物

《Scientific Reports》：Deep learning-based pathomics reveals renal tubular atrophy with inflammatory cell infiltration as a prognostic marker in IgA nephropathy

　　

摘要

IgA 肾病（IgAN）是全世界最常见的原发性肾小球肾炎。然而，仅依靠肾病理来评估 IgAN 进展风险仍存在许多局限性。作为一种新兴技术，病理组学可以协助肾病理学家发现亚视觉特征，从而成为评估 IgAN 进展风险的重要工具。本研究旨在利用病理组学在肾病理中识别有价值的亚视觉特征，用于 IgAN 的预后评估，并进一步验证这些特征的临床价值。在本研究中，我们选择了 2017 年 1 月 1 日至 2020 年 1 月 1 日期间在浙江省中医院、浙江省中山医院、浙江省东方医院和江山市中医院接受肾活检并被诊断为原发性 IgAN 的 285 名患者。其中，200 名患者被随机分配用于训练深度学习模型，其余 85 名患者保留用于验证。将这些患者 HE、PAS、Masson 和 PASM 染色的全切片图像（WSI）在 100×、200×和 400× 放大倍率下分割为 512 × 512 像素的图像块。在去除空白图像块后，应用 Vahadane 方法标准化所有图像块的颜色。利用残差网络 18 进行深度学习，以预测每个图像块发生研究结局的风险，然后使用多实例学习将每个图像块的预测概率聚合到相应的全切片图像上。然后应用主成分分析来降低数据维度，并根据 Cox 模型的 C 指数确定最佳放大倍率。进一步采用可视化技术将最佳条件下图像块的预测结果投影到全切片图像上。最后，肾病理学家审阅并总结了所有图像块以识别具有预后价值的病理特征，另一位病理学家在验证集中独立验证了病理组学发现的这些特征。使用深度学习构建的预后模型（0.837 ± 0.051）在预测 IgAN 患者发生不良研究结局方面显著优于 Lee 分级（0.676 ± 0.059）和牛津分类（0.766 ± 0.055）。此外，病理组学识别的关键病理特征主要集中在“肾小管萎缩伴炎性细胞浸润”，该特征通过肾病理学家在验证集中的独立评估，被验证为 IgAN 患者中有价值的预后预测因子。本研究利用病理组学将肾小管萎缩伴炎性细胞浸润识别为与 IgAN 进展风险相关的特征。该特征可能补充牛津分类（MEST-CL），从而有可能使 IgAN 患者的预后评估更加准确。