狼疮肾炎中基因表达芯片的生物信息学分析

目的采用生物信息学方法探讨狼疮肾炎(lupus nephritis,LN)发生的潜在机制。方法通过GEO数据库获得正常肾组织和LN肾组织的基因表达谱,分析二者基因表达情况,寻找差异基因,利用DAVID数据库对LN发生发展过程中的差异基因进行富集分析,使用STRING数据库和Cytoscape对差异基因进行可视化分析。结果筛选出146个上调基因和28个下调基因。在细胞通路方面,差异基因主要参与Ⅰ型干扰素信号通路等;在细胞定位方面,差异基因主要分布在胞外体等;在分子功能方面,差异基因主要与MHCⅡ类受体活性等相关。KEGG分析结果表明,差异基因与甲型流感病毒感染、金黄色葡萄球菌感染、单纯疱疹病毒感染、利什曼病和哮喘等通路有关。筛选发现IFI35、MX2、OAS3、IFI6、IRF7、OAS2、IFIT2、RSAD2、OAS1、MX1是LN发生风险相关蛋白相互作用网络中的核心基因。结论通过对数据集的分析,利用生物信息学方法找出了LN发生过程中的关键基因,为寻找有价值的LN标志物提供了依据。

基于级联区域卷积神经网络算法在肾组织病理切片中对肾小球的识别与定位

目的基于级联区域卷积神经网络(cascade R-CNN)算法开发一种能自动识别肾组织病理切片图像中肾小球的人工智能(AI)系统,帮助病理医师提高计算肾小球个数与识别肾小球的效率。方法收集2017-2019年3年内在山西医科大学第二医院和山西医科大学附属人民医院行肾穿刺活检术患者的肾脏病理切片,剔除模糊不清、染色质量差的图像,最终得到1180张质量无明显差异的六胺银(PASM)染色图像。通过高分辨率全视野数字切片(WSI)获得数字化扫描图像,图像数据通过远程病理系统传输到云端并储存。使用cascade R-CNN方法创建训练集(940张图像)和测试集(240张图像),训练集用于训练AI学习识别肾小球,测试集用于测试和评价cascade R-CNN算法识别出肾小球的精确度和召回率。将测试集的病理切片由3名工作年限至少3年的病理医师阅读,计算医师们识别肾小球的精确度与时间。结果基于cascade R-CNN网络训练完成的深度学习模型识别每张图像肾小球区域时间为(0.20±0.02)s。精确度、召回率分别为93.90%、98.00%,F1值为95.91%。3名病理医师识别每张图像肾小球区域时间分别为(3.57±0.05)、(4.57±0.07)、(3.98±0.02)s,精确度分别为88.08%、89.69%、89.98%,差异均无统计学意义(P均>0.05)。cascade R-CNN算法识别肾小球的精确度高于3名病理医师的平均精确度(89.25%),差异有统计学意义(t=-5.607,P=0.009)。结论cascade R-CNN算法通过高分辨率WSI可快速有效地识别肾小球,能够帮助病理医师提高肾脏疾病的诊断效率。

基于Faster R-CNN算法开发的肾小球病理人工智能识别系统的速度与效率分析

目的基于Faster R-CNN算法开发出能够自动对肾组织病理切片图像中肾小球进行识别的人工智能(artificial intelligence,AI)系统,帮助病理医师提高计算肾小球个数与识别缺血硬化性肾小球的速度和效率。方法将山西省人民医院和山西医科大学第二医院自2008年至2018年的11476例肾病患者PASM染色的肾脏病理切片进行数字化扫描,图像数据通过远程病理系统传输到云端并进行储存。使用Faster R-CNN方法创建包括2296张图像的训练集和包括174张图像的测试集,训练集用于训练AI学习识别肾小球,测试集用于测试和评价AI识别出肾小球的平均时间和准确率。同时将测试集的174张病理切片分别给工作2年左右的病理科医师(初级医师)和10年以上工作经历的病理科医师(高级医师)阅读,收集医师识别出肾小球的平均时间和准确率。结果通过训练基于Faster R-CNN网络开发的AI得到模型,AI模型在测试集上的性能为:mAP=94.37%。AI处理整张玻片图像处理时间约为1 s,平均识别一个肾小球的时间(0.05±0.04)s(数据由太原理工大学大数据库学院提供)。病理科初级医师和高级医师识别一个肾小球的时间为(22.32±2.32)s和(11.50±1.42)s,识别时间均慢于AI(均P<0.05)。初级医师和高级医师识别肾小球的精确度分别为(82.18±4.92)%和(93.29±7.64)%,AI为(99.93±1.30)%,AI识别肾小球的精确度优于初级医师和高级医师(均P<0.05)。结论基于Faster R-CNN方法开发的AI系统计算肾小球个数与识别缺血硬化性肾小球的速度和效率明显高于参与这项研究的病理科医师。

基于DenseNet算法对膜性肾病组织病理图像肾小球钉突分类研究

目的开发基于DenseNet算法对膜性肾病(MN)肾小球钉突病理图像进行分类的人工智能模型,研究人工智能模型是否能辅助病理科医师在MN病理检测中发现钉突这一细微结构,提高病理科医师对MN的病理诊断水平。方法选取2014-2019年山西医科大学附属第二医院收治的MN患者肾组织针刺活检病理切片1250张,经筛选符合要求的六胺银(PASM)染色病理切片1150张,选择诊断为MN病理分期Ⅱ期的PASM染色病理图像127张。前期实验通过Cascade R-CNN网络识别并检测肾小球。由高年资病理科医师对切割后的肾小球进行分类,将含有钉突样改变的肾小球视为钉突阳性,共492张图像;将不含有钉突样改变的肾小球视为钉突阴性,共523张图像。使用基于深度学习的DenseNet分类网络构建对肾小球钉突进行分类的人工智能模型。将数据集以8∶2分为训练集和测试集,模型性能通过测试数据集进行评估。使用经训练的DenseNet模型对图像进行测试。通过灵敏度、特异度和受试者工作特征曲线的曲线下面积(AUC)对训练后的模型进行评估。结果基于DenseNet模型是正确检测到的是否有钉突的肾小球并对其进行二分类。根据测试结果得到召回率为98.00%,精确度为92.45%,准确率为95.00%,F1为95.15%。DenseNet模型表现出高性能,AUC为0.97。结论DenseNet对肾小球钉突的二分类获得了较高的召回率、准确率和灵敏度,但精确度和特异度尚需进一步提高才能更好地辅助病理科医师诊断MN。