orts杂志上发表的一项研究成果称人工智

科研人员利用超级计算机和人工智能技术对肾脏受损程度和寿命进行了预测。

现在，科研人员已经能够通过基于人工智能（AI）的超级计算机模型，借助患者前往医院进行肾脏活检时获得的影像，量化肾脏受损程度及预测肾脏剩余寿命。在《KidneyInternationalReports》杂志上发表的一项研究成果称人工智能可帮助在床边（point-of-care）进行预测及协助临床决策。

肾脏病理学（nephropathology）是一门分析肾脏活检影像的专业。尽管美国的大型临床中心可能会因拥有内部肾脏病理专家而获益良多，但美国大部分地区或世界各地的情况却并非如此。科研人员表示，将卷积神经络（CNN）等机器学习框架应用于对象识别任务被证实有助于疾病分类，同时能够可靠地分析放射影像，包括恶性肿瘤。

为了测试将这项技术应用于常规肾脏活检分析的可行性，科研人员对肾脏纤维化（通常被称为疤痕组织）程度各不相同的肾脏活检切片展开了原理循证研究。基于CNN的机器学习框架依赖数字化影像的像素密度，而疾病的严重程度则由多个临床实验室衡量标准和肾脏存活率确定。随后将CNN模型的表现与使用肾脏病理学家报告的纤维化程度作为唯一输入及肾脏存活率作为输出的模型进行比较。在所有场景中，CN为事业的成功N模型的表现都但可以在每个清晨餐风饮露比其他模型的表现要好。

尽管专家级病理学家训练有素的眼睛能够判断出疾病的严重程度并能够以极高的准确度检测出肾脏受损的细微差别，但并非所有地方都能够提供此类专业经验，特别是在全球范围内而言。此外，目前对量化肾脏疾病的严重程度存在迫切需求，以期能够将临床试验中确定的有效疗法应用于治疗在常规检查中发现的疾病严重程度相当的患者，波斯顿大学医学院（BostonUniversitySchoolofMedicine）助理医学教授lachalama博士解释道。如果在临床中应用，我们的研究成果将帮助病理学家及早发现相关情况及获取之前无法得到的洞察，Kolachalama表示。

科研人员认为，其模型在诊断和预后方面都具有应用价值，并可能催生用于诊断肾脏疾病以及预测肾脏存活率的软件应用程序的开发。如果世界各地医务人员的床边肾脏活检影像分类准确度能够达到肾脏病理学家的水平，这将对肾脏疾病临床实践产生重大影响。从本质上来说，

我们的模型具有作为代理肾脏病理学家的潜质，特别是在资源有限的环境中，Kolachalama说道。

来自波斯顿医疗中心（BostonMedicalCenter）的三位肾病主治医师VipulChitalia（医学博士）、DavidSalant（医学博士）和JeanFrancis（医学博士）以及肾脏病理学家JoelHenderson（医学博士）均对本研究有贡献。

肾脏疾病每年夺去的生命比乳腺癌或前列腺癌夺去的生命都要多，一般人群的慢性肾脏疾病（CKD）整体患病率约为14%。超过661,000个美国人患有肾衰竭。其中468,000人接受透析治疗，约193,000人通过移植的肾脏生存。2013年，超过47,000个美国人死于肾脏疾病。联邦医疗保险（Medicare）对65岁及以上CKD患者的支出在2013年超过500亿美元，占这一年龄组所有联邦医疗保险支出的20%。联邦医疗保险对肾衰竭受益人的医疗费用支出增长了1.6%，从2012年的304亿美元增长到2013年的309亿美元，占所有联邦医疗保险已付偿付费用的7.1%。