4.3.3　高血压肾病的人工智能诊疗

（1）人工智能简介

人工智能（artificial intelligence）是21世纪三大尖端技术（基因工程、纳米科学、人工智能）之一，广泛应用于医疗诊断、医疗决策、患者监护、辅助手术和医疗系统管理等医疗领域，在人们生活中扮演着越来越重要的角色。人工智能是计算机科学的一个分支，是一门用于研发人类智能的理论、技术、方法及应用的新技术科学。在过去的几十年里，随着计算能力的增长、方法和技术的进步以及大数据时代的到来，极大拓展了人工智能在医学领域的应用。美国食品药品监督管理局允许临床医生在不同医学领域使用人工智能，如人工智能已被用于常规监测糖尿病视网膜病变。在大数据领域，机器学习、深度学习和认知运算等人工智能技术正在改变医生做出临床决策和诊断的方式，以实现预测的自动化，推动精准医学的发展。大数据如组学数据、人类肠道微生物组序列、图像数据等种类繁多、异质性大，难以分析和使用。利用大数据进行深度学习是人工智能的一种新的机器学习技术，有望用于异质性的模式识别和图像识别。

常用的机器学习算法有随机森林、向量机、人工神经网络（artificial neutral network，ANN）和深度学习。ANN和深度学习在医学人工智能的应用中占主要地位。自20世纪中期以来，ANN 逐渐形成一组有组织的人工神经元。Sigmoid 神经元是使用最广泛的人工神经元，被视为生物神经元模型的基本单位。Sigmoid 神经元接受多次的加权输入决定了神经元激活的程度。然而，ANN 仅限于1或2个隐藏层，对于复杂的学习需要更多隐藏层的深层网络。因此，为了克服ANN的局限性，在深度学习中使用的深度神经网络被开发出来。卷积神经网络（convolutional neural network，CNN）是常用的深层网络模型，各层不完全连接，并且随着网络深度的增加CNN 隐藏层中的神经元数量逐渐减少。CNN 主要用于分析空间或时间相关的数据，有效解决了图像或语音识别的问题，在大数据分析领域拥有广泛的应用前景（图4.5）。

图4.5　人工智能在疾病诊疗中应用的机理图（参考Krittanawong等）

（2）人工智能与肾脏疾病(https://www.daowen.com)

结合人工智能技术，从海量的数据中总结规律对疾病的诊疗具有重要的意义。在肾脏病学中，人工智能的应用主要包括从临床特征中预测急性肾功能衰竭或同种异体移植物丢失时间，在活检中识别特定的组织学特征，评估尿毒症患者最佳的透析方案，或在电子健康卡中挖掘数据找出特定的病例等。CNN在生物医学中的基本任务之一是将图像的像素分割为确定的成分，如组织学切片上的肾小球、计算机断层扫描图像上的血管平滑肌脂肪瘤或其他肿块等。此外，还可以训练CNN 来预测抽象的结果，如5年肾脏存活率等。慢性肾脏疾病患者中常见高钾血症，可引起致命性心律失常，一种能够从心电图中进行无创高钾血症筛查的深度学习模型可以及时发现并防止以上风险的发生。一项研究报道将449 380名肾病患者的1 576 581份心电图用于训练深度CNN。该模型仅使用2条心电图导联，在AUC为0.853～0.883的肾脏疾病患者中检测出高钾血症，因此人工智能在心电图中的应用可能有助于高钾血症的筛查。

急性肾损伤是现代医学中常见的疾病，近期Tomasev等开发了一个依据70多万名患者的电子健康卡来连续预测未来急性肾损伤的深度学习模型，该模型可以提前48 h 预测急性肾损伤，占所有急性肾损伤住院患者的55.8％。传统模式下，经皮冠状动脉介入（PCI）治疗患者的急性肾损伤风险预测是利用回归技术，而一项研究将机器学习用于PCI 术后的急性肾损伤风险预测。该研究纳入了947 091个PCI患者的数据，与传统的回归技术模型相比，机器学习技术和数据驱动方法提高了PCI 术后急性肾损伤的风险预测。表明机器学习技术在改进风险预测建模方面有很大的潜力，该技术的应用将改变住院患者的护理方式，使临床医生从被动管理转向主动管理。此外，Chen等开发了一种机器学习的辅助IgA 肾病风险预测模型，利用监督机器学习方法很好地捕捉到大数据下的有用信息。精准估计肾小球滤过率在临床实践中具有重要的意义，而传统的回归模型对肾小球滤过率的评估不够精确，Liu等将ANN 用于肾小球滤过率的评估。Barbieri等建立了贫血控制决策支持系统，推荐合适的促红细胞生成素剂量，该研究是基于17万份临床记录的机器学习模型，支持临床医生在血液透析患者贫血治疗方面做出决策。总之，人工智能技术的应用推动了精准肾脏病学的快速发展，具有广泛的临床应用前景（图4.6）。

图4.6　人工智能在医学领域应用的总结图（参考Tomasev、chen等）