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*
时间：2023-06-05 08:25:20 来源：雅意学习网 本文已影响 人 
张兴娜，杨 会，刘雪宇，姜秋竹，李荣山，周晓霜△，王 晨
(1.山西医科大学，太原 030051；
2.山西医科大学附属人民医院肾内科，太原 030012；
3.太原理工大学大数据学院，山西 030024;4.山西医科大学附属第二医院病理科，太原 030001)
膜性肾病(MN)是成年人肾病综合征最常见原因之一。近年来，MN在我国发病率不断上升，可能成为发病率最高的原发性肾小球疾病[1]。MN是一种肾小球疾病，其病理特征为肾小球基底膜增厚和免疫复合物在上皮下沉积，肾脏活检被认为是诊断的“金标准”[2]。MN病理分期Ⅱ期表现为光镜下肾小球毛细血管不均匀增厚形成钉突，电镜下发现上皮细胞下存在电子致密物沉积。钉突是指肾小球基底膜出现微小隆起，因其结构微小常不易辨别，常为病理科医师做出诊断带来困难[3]。
近年来，大数据处理和深度学习已成为医学进步的先锋，病理学也不例外。随着数字病理技术、精准医疗和人工智能的发展卷积神经网络(CNNs)在影像、病理等的图像识别上不断成熟[4]。深度学习算法通过对数据库中的病理图像进行学习，可对可疑病灶作标记，辅助医师进行初步诊断，但目前利用人工智能对肾小球进行准确分类的相关研究很少见[5]。本研究利用DenseNet网络对MN肾组织病理切片中肾小球根据有无钉突进行检测并分类，希望基于DenseNet的人工智能软件可在MN病理切片中发现钉突这一结构，辅助病理科医师作出病理诊断，从而最大限度地减轻病理科医师工作量，并提高诊断的客观性和准确率。
1.1 一般资料
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1 250张，包括六胺银(PASM)染色、苏木精-伊红染色、马松(MASSON)染色和过碘酸雪夫染色4种染色的病理切片，通过使用KF-PRO-005-E×数字幻灯片扫描仪(KFbio，中国宁波)扫描获取，分辨率为0.25毫米/像素，文件格式为KFB，由于图像太大不适合网络训练则转换为SVS格式。纳入标准：(1)肾活检病理诊断为MN Ⅱ期；
(2)临床数据完整；
(3)病理切片清晰完整、染色均匀。排除标准：(1)可疑病例；
(2)入院后临床资料不齐全；
(3)病理切片损坏、染色不均匀、肾小球未聚焦等。经筛选符合要求的PASM染色病理切片1 150张，选择诊断为MN病理分期Ⅱ期的PASM染色病理图像127张。
1.2 方法
1.2.1图片注释
前期实验通过级联区域CNNs识别并对肾小球进行分割[6]。由高年资病理科医师对切割后的肾小球进行分类，将有钉突的肾小球放入一个文件夹，命名为钉突阳性(+)，共492个；
将没有钉突的肾小球放入另一个文件夹，命名为钉突阴性(-)，共523个，格式均为JPG。因仅根据图像判断结果，故要求注释者对患者信息、临床信息和诊断视而不见。
1.2.2训练/验证数据集
按8∶2分为训练集与测试集。训练集用于人工智能模型的训练，为对模型进行参数的调整，从训练集里再次分出验证集，训练集共611张图像，验证集共204张图像。训练模型使用TensorFlow 2.0框架和Python环境。选择NVIDIA Tesla k80 GPU，将学习率设置为0.001，将训练迭代次数设置为100，将批量大小设置为16。训练模型使用TensorFlow2.0框架和Python环境。选择NVIDIA Tesla k80 GPU，将学习率设置为0.001，将训练迭代次数设置为100，将批量大小设置为16。训练/验证数据集由5名病理科医师注释，每个病例随机分配2名病理科医师并独立进行注释。
1.2.3测试数据集
测试集包含200张图像，用来对经过训练的DenseNet模型的泛化与识别能力进行测试，然后得出二种分类标签(+)和(-)。DenseNet模型：传统的 L 层卷积网络有 L 个连接——每一层只与其前一层和后一层相连，而DenseNet在前馈时将每一层与其他的任一层均进行了连接，有 L(L+1)/2 个连接。每一层均将之前的所有层的特征图作为输入，而其自己的特征图是之后所有层的输入。就是每一层的输入来自前面所有层的输出，即X0是输入(input)，H1的输入是X0，H2的输入是X0和X1。见图1。与传统网络模型比较，DenseNet有助于解决梯度消失问题，增强特征传播，促进特征的重复利用，明显减少了参数的数量，DenseNet还改善了网络中信息和梯度的传递，让网络更容易训练。
一个5层的密集块，每一层以前面所有层的特征作为输入。
1.2.4模型性能评估
模型性能通过测试数据集进行评估。对测试数据集中的每个图像随机选择1名病理科医师的注释标签被用作真实标签，其他病理科医师注释标签用于评估其表现。通过受试者工作特征曲线的曲线下面积(AUC)、灵敏度和特异度对训练后模型进行评估。测试数据集性能通过灵敏度(召回率、真阳性率)和特异度(真阴性率)进行评估。精确度=真阳性/(真阳性+假阳性)。召回率=真阳性/(真阳性+假阴性)。准确率=(真阳性+真阴性)/(真阳性+假阴性+假阳性+真阴性)。F1=2×(召回率×精确度)/(召回率+精确度)。真阳性为钉突(+)肾小球被正确识别，假阳性为钉突(-)肾小球被错误识别为钉突(+)肾小球，真阴性为钉突(-)肾小球被正确识别，假阴性为钉突(+)肾小球被错误识别为钉突(-)肾小球。
1.2.5研究流程
裁剪127张MN病理分期Ⅱ期患者PASM染色病理图像得到1 015张肾小球图像。训练集和验证集分别包含611、204张图像，测试集包含200张图像，研究流程见图2。
图2 研究流程
2.1 病理图像注释训练与验证
各数据集中注释标签数量见表1。钉突(-)肾小球和钉突(+)肾小球见图3。
表1 数据集的注释标签
A：钉突(-)肾小球；
B：钉突(+)肾小球及部分钉突。
2.2 DenseNet训练模型肾小球钉突二分类
基于DenseNet的人工智能模型可检测到肾小球是否有钉突并且对其进行二分类。测试结果见表2。通过计算得到召回率为98.00%，精确度为92.45%，准确率为95.00%，F1为95.15%。对于钉突这一结构的识别，病理科医师的特异度较高，但灵敏度差异较大。根据最接近病理科医师特异度的临界值评估DenseNet模型输出灵敏度。DenseNet模型灵敏度低于肾病学家灵敏度平均值，但超过部分病理科医师灵敏度。
表2 在测试集上DenseNet模型对肾小球钉突的二分类结果
2.3 用于钉突分类的DenseNet训练模型性能评估
在MN肾活检组织PASM染色的病理结果中肾小球钉突二分类模型的性能见图4。DenseNet模型表现出高性能，AUC为 0.97。训练过程中模型总损失曲线见图5。基于DenseNet模型对肾小球钉突分类获得的召回率和准确率较高，表现出较高的灵敏度，但精确度和特异度尚需进一步提高。
图4 肾小球钉突二分类模型的性能
图5 DenseNet模型训练总损失
在我国MN病理分期大多为Ⅰ、Ⅱ期，随着病情进展，病理分期也会进一步发生改变。而肾活检也被认为是诊断MN的“金标准”，故早期病理诊断对MN的治疗及预后均至关重要。MN是近年来发病率增长最快的原发性肾小球疾病，2016年一项全国多中心流行病学研究结果显示，MN以每年13%的比例增长,占肾活检患者的比例高达23.4%[7]。肾小球病变和结构的识别是肾脏疾病的病理诊断、治疗指导和预后评估的关键，如MN病理分期Ⅱ期患者可得到控制,对患者治疗和预后均具有很大帮助[8]。MN病理分期Ⅱ期在PASM染色中表现为基底膜弥漫性增厚，钉突结构形成，与其他染色方法比较，PASM染色对钉突的成像特点尤为显著。由于肾脏病理的复杂性和多样性，以及钉突的结构微小，资历较浅的病理科医师容易出现漏诊情况，所以，肾脏病理的计算机辅助诊断可通过识别各种肾小球及其病理特征提高病理科医师的工作效率，并且可帮助病理科医师作出更为客观的病理诊断。
由于强大的学习能力和处理复杂模式的优势，深度学习算法非常适合图像分析挑战，尤其是在数字病理学领域，包括分类、检测和分割等[9]。有研究通过训练CNNs分割肾脏主要结构，包括肾小球、肾小管、肾动脉、肾静脉等对来自不同物种和肾脏疾病模型的高碘酸希夫染色肾脏的数字全幻灯片图像进行了准确的多类分割[10-11]。有研究表明，根据肾小球不同区域细胞核数量增加的卷积特征对细胞进行分类也可辅助临床诊断[12]。
DenseNet建立的是前面所有层与后面层的密集连接，可有效利用高层信息重新发现底层新特征，增强跨网络特征传输并实现增强的特征重用，有效减少参数数量[13]。DenseNet将两个相同特征图尺寸的任意层进行连接，工程师能很轻松地设计出上百层网络，也不会出现优化困难的问题，随着参数量的增加，DenseNet准确率也随之提高，而且未出现较差表现或过拟合现象[14-15]。
本研究结果显示，肾小球钉突的二分类在DenseNet模型上获得的召回率较高，但精度值与准确度尚需进一步提高，相信二分类模型在经过不断地提高准确度后可更好地为临床医疗提供帮助。因此，今后将使用更大的数据集对神经网络进行不断改进以提高准确度。
猜你喜欢 病理科肾小球染色 临床病理科住院医师规范化培训开展床旁快速现场评价的探索中国毕业后医学教育(2022年4期)2022-11-29临床病理科住院医师规范化培训分层培养教学模式总结及思考中国毕业后医学教育(2022年2期)2022-10-12新进展文献介绍在临床病理科专业住院医师规范化培训中的探索中国毕业后医学教育(2022年1期)2022-08-19无限路及其笛卡尔积、直积的孪生α-距离边染色西北民族大学学报（自然科学版）(2022年2期)2022-07-06白藜芦醇改善高糖引起肾小球系膜细胞损伤的作用研究天津医科大学学报(2021年4期)2021-08-21节水染色和非水介质染色技术的研究进展纺织科技进展(2021年4期)2021-07-22若干Mycielski图的邻点扩展和可区别全染色兰州理工大学学报(2021年3期)2021-07-05病理诊断不只是诊断癌症婚育与健康(2020年5期)2020-08-17CD10和CD34免疫组化染色在增生性肾小球肾炎病理诊断中的辅助作用中国实用乡村医生杂志(2019年6期)2019-07-12两类图的b—染色数和研究中国市场(2017年5期)2017-03-15
