Make it Evident丨TruAI 加速狼疮肾炎病理学诊断

OLYMPUS生命科学

2022.6.23

作者奥林巴斯

TA的动态

Make it EVIDENT

本期推出【 TruAI Makes Disease Evident 】

本文作者：沈露萍博士（论文一作）

中国药科大学王广基/周芳团队

狼疮肾炎与肾脏病理学诊断

狼疮肾炎(Lupus nephritis，LN) 是一种慢性炎症性肾脏疾病，40%-60%的系统性红斑狼疮 (Systemic lupus erythematosus，SLE) 患者会进展成LN。SLE患者的肾脏受累程度是影响其预后的重要因素，多达30%的LN患者在确诊后15年内进展为终末期肾病和肾衰竭，仅能依靠透析和肾移植治疗。

图一：美国歌手赛琳娜-戈麦斯（Selena Gomez）因红斑狼疮接受好友的肾捐献进行肾移植手术。

肾脏病理学诊断是评估人类肾脏疾病的“金标准”。2018年国际肾脏病学会和肾脏病理学会 (ISN/RPS) 在2003版的基础上修订了LN的分型标准，共分为6类，代表不同的肾脏受累严重程度，用于临床诊断、治疗和预后评价。

《狼疮肾炎诊治新进展》

全玻片深度学习分析

在LN的基础研究中，小鼠模型为发病机制的研究和新药开发做出了巨大的贡献，但遗憾的是，目前尚未有标准化的小鼠病理分型标准。

小鼠病理评估由于种属的差异，通常面临肾脏组织小，实验批次效应大，评估主观性强等问题，因此还未有研究对狼疮鼠肾组织病理学进行统一的定量评估以获得客观数据。

出于客观、精确和定量数据的需求，用于全玻片数字图像( whole slide images，WSI)分析的深度学习模型，可以消除不同研究中对鼠肾组织病理学评估结果的差异，避免传统人工定量评估中耗时且重现性低的问题。

2022年6月7日，中国药科大学王广基/周芳团队在 Kidney Diseases 杂志上在线发表了研究长文 “Deep learning-based model significantly improves diagnostic performance for assessing renal histopathology in lupus glomerulonephritis”（基于深度学习的模型显著改善狼疮性肾炎肾组织病理学评估的诊断性能）。

该研究建立了小鼠肾脏病理系统 (MRPS) 模型，通过深度学习算法对WSI进行分割和特征提取，从所有的肾小球和肾小球细胞特征中筛选出五个独立的预测因子作为图像生物标志物，建立了小鼠肾脏病理评分模型以实现定量精准客观的病理评估。

该模型能够进行准确的组织病理学分析，具有高度的可重复性，可作为肾小球、肾炎诊断和预后评估的有力工具。

图二：本研究中所有必要步骤的工作流程。

cellSens TruAI 分析流程

具体来说，首先研究人员对健康BALB/c小鼠和MRL/lpr狼疮肾炎小鼠的肾组织进行PAS染色并扫描获得WSI，在此基础上创建训练集和测试集，训练集用于训练深度学习算法（CNN，卷积神经网络）识别与肾脏病理评分相关的肾小球特征，测试集用于测试和评价CNN算法识别出肾脏病理评分的精确度、特异性和灵敏度。

研究人员将训练集中肾脏原始WSI分割成单一图像，然后训练了一种基于CNN算法的深度学习模型用于分割肾小球和肾小球内细胞（图三）。将CNN模型应用于识别测试集中肾脏WSI特征，在每张WSI上获得79个特征用于进一步分析，包括38个肾小球特征和41个肾小球内细胞特征，从中筛选得出，肾小球的周长、形状因子、最小内径、最小费雷特直径和对象数可被认定为独立的预测因子，与评分系统显著相关(P < 0.001，图四)。这些病理特征都与狼疮肾炎的严重程度相关，因此这5个肾小球特征可以作为肾脏病理图像的生物标志物。

图三基于深度学习的小鼠肾脏PAS染色WSIs识别和分割模型。

(使用Olympus SLIDEVIEW VS200拍摄，Olympus cellSens软件处理)

根据以上肾小球病理特征的选择，研究人员开发了一个MRPS模型用于预测小鼠肾脏病理评分。在验证集中，MRPS模型计算得出的肾脏评分与病理学家评估的得分呈正相关，且在区分不同病理评分方面获得了良好的诊断性能。

图四 MRPS模型具有良好的诊断性能。

在本次研究中，研究人员使用了Olympus VS200研究级全玻片扫描系统对肾脏病理模型进行高分辨率数字化，并使用 cellSens软件进行标注和处理，结合Olympus TruAI 深度学习模块进行了自定义的人工智能训练和学习。

VS200全玻片扫描系统，采用了一体式自动化设计，最大支持210片载玻片样品高通量扫描，优异的光学分辨率兼容从细胞到组织等多尺度样品，除了常规明场病理片，多种观察方式支持荧光、暗场、偏光、相衬等染色或非染色样品。

常规识别(左) VS 人工智能TruAI识别(右) 未(浅)染色样品

胰腺组织扫描中，TruAI自动识别胰岛细胞团并定向扫描

Olympus TruAI模块是利用深度学习算法帮助用户完成后期图像的训练和智能识别的有力工具，同时全新升级的VS200 V3.4也将AI功能应用到实时图像扫描中，针对非染色或染色浅、不均匀的样品自动识别难的问题，AI模块将使得目标样品区域的自动识别和扫描更加高效智能。

【用户点评】

“在本次研究中，我们使用了Olympus VS200研究级全玻片扫描系统对肾脏病理模型进行高分辨率数字化，并使用 cellSens软件进行标注和处理，结合Olympus TruAI 深度学习模块进行了自定义的人工智能训练和学习。

这样的组合解决方案不仅减少了研究人员的重复工作，同时经过多方验证的深度学习模型无疑让实验数据的定性、定量分析更加客观、可靠和高效。”

也感谢EVIDENT生命科学部产品经理冯思远对实验的大力支持。

参考文献：

[1]刘志红. 中国狼疮肾炎诊断和治疗指南[J]. 中华医学杂志 2019年99卷44期, 3441-3455页, MEDLINE ISTIC PKU CSCD CA, 2019

[2]Anders H J, Saxena R, Zhao M H, et al. Lupus nephritis [J]. Nat Rev Dis Primers, 2020, 6(1): 7.

[3]Shen L, Sun W, Zhang Q, Wei M, Xu H, Luo X, Wang G, Zhou F: Deep Learning-Based Model Significantly Improves Diagnostic Performance for Assessing Renal Histopathology in Lupus Glomerulonephritis. Kidney Dis 2022. doi: 10.1159/000524880

更多精彩内容

请关注“OLYMPUS生命科学”