在腎臟疾病研究中，利用尿樣進(jìn)行精確的腎小球疾病診斷對(duì)于治療和預(yù)后至關(guān)重要。傳統(tǒng)方法依賴(lài)于有創(chuàng)性活檢，這存在風(fēng)險(xiǎn)并由于病理學(xué)家的差異而不一致因此，迫切需要?jiǎng)?chuàng)新的診斷工具，以提高傳統(tǒng)方法的效率，確保疾病檢測(cè)的準(zhǔn)確性和一致性。本研究提出了一種創(chuàng)新的卷積神經(jīng)網(wǎng)絡(luò)-視覺(jué)變壓器（CVT）模型，通過(guò)融合光譜和空間數(shù)據(jù)，改進(jìn)腎小球疾病的診斷。通過(guò)間隔采樣預(yù)處理和波長(zhǎng)優(yōu)化，該研究還引入了Gramian Angular Field (GAF)方法來(lái)統(tǒng)一表示光譜和空間特征。

▲

圖1. 研究流程圖

本研究收集了2020年11月至2022年1月在山東大學(xué)齊魯醫(yī)院診斷為各種腎小球疾病的患者的尿液樣本。病例被分為四組不同的組，每組包含30例：微小改變病（MCD）、糖尿病腎?。―N）、膜性腎?。∕N）和IgA腎?。↖gAN）。對(duì)于每個(gè)樣本，取5 mL尿液，以1500 rpm離心5分鐘。隨后，將0.5 mL的上清液小心地轉(zhuǎn)移到一個(gè)干凈的載玻片上。共計(jì)120份尿液樣本。所有參與患者均獲得知情同意，本研究獲得了山東大學(xué)齊魯醫(yī)院倫理委員會(huì)的倫理批準(zhǔn)，確保符合倫理標(biāo)準(zhǔn)和患者保密。采用江蘇線掃推掃高光譜成像裝置在反射模式下采集尿液上清樣本的高光譜圖像。該設(shè)備的詳細(xì)配置如圖2所示。

▲

圖2. 高光譜成像系統(tǒng)示意圖

收集了2020年11月至2022年1月期間山東大學(xué)齊魯醫(yī)院診斷的各種腎小球疾病患者的尿樣本，并進(jìn)行高光譜圖像采集和反射率校準(zhǔn)。

▲

圖3. 不同腎小球疾病的平均反射光譜曲線

圖3展示了不同疾病類(lèi)型的平均光譜曲線的趨勢(shì)，由于其來(lái)自相同的腎組織，曲線趨勢(shì)一致，但在特定波段的反射率值存在細(xì)微差異，表明不同疾病的內(nèi)部組成差異。

t-SNE算法將復(fù)雜的高維網(wǎng)絡(luò)特征映射到一個(gè)二維景觀中，其中不同顏色的點(diǎn)代表不同腎小球疾病的t-SNE特征識(shí)別。圖8清楚地顯示，與其他三種替代模型不同，本研究采用的模型表現(xiàn)出相同疾病表現(xiàn)對(duì)應(yīng)的數(shù)據(jù)集的緊密聚類(lèi)，通過(guò)清晰的邊界和空間分離，突出了不同疾病狀態(tài)之間的差異。一些偏離其指定集群的樣本無(wú)意中與不同疾病類(lèi)別的集群相一致。這一觀察結(jié)果在一定程度上證明了不同模型在腎小球疾病分層的二維框架內(nèi)處理圖像數(shù)據(jù)的能力。此外，這些發(fā)現(xiàn)顯著地強(qiáng)調(diào)了本研究中提出的模型在區(qū)分不同腎小球疾病實(shí)體方面的敏銳性。

在腎小球疾病分類(lèi)領(lǐng)域，其他最新研究采用了肽面板、視網(wǎng)膜血管、臨床變量、腎活檢等材料，并結(jié)合機(jī)器學(xué)習(xí)算法對(duì)腎小球疾病進(jìn)行客觀分類(lèi)。與其他研究相比，我們的研究創(chuàng)新性地將尿液上清液與HSI結(jié)合起來(lái)，并提出了聯(lián)合空間光譜數(shù)據(jù)。在使用GAF增維后，使用所提出的CVT模型進(jìn)行分類(lèi)。與其他研究相比，我們的材料和方法在更多的類(lèi)別中獲得了更高的準(zhǔn)確性。表1顯示了具體的細(xì)節(jié)。

本研究顯著推進(jìn)了腎小球疾病的無(wú)創(chuàng)和精確診斷，減少了侵入性活檢的需要，并通過(guò)準(zhǔn)確的早期診斷改善了患者的預(yù)后。本研究證明了將先進(jìn)的人工智能技術(shù)應(yīng)用于醫(yī)學(xué)成像的可行性，并突出了它們?cè)诟淖兗膊≡\斷和管理方面的潛力。

PRODUCT