Feasibility of chronic kidney disease prediction using bilateral kidney ultrasound and foundation model representations
这项回顾性研究表明，通用超声基础模型（USFM）在通过双侧肾脏超声图像预测慢性肾脏病方面优于传统的深度学习架构，在检查层面实现了 74.49% 的均衡准确率和 84.80% 的 AUC。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一名正在试图破解人体内谜团的侦探，而线索却隐藏在两个被称为肾脏的豆状器官深处。这些肾脏就像是你身体里的水处理厂，负责过滤血液中的废物。有时，这个工厂会在数年间逐渐发生堵塞或损坏，这种状况被称为慢性肾脏病（CKD）。棘手的是，即使在功能衰退的过程中，这个工厂通常仍能维持正常运转，导致损伤在察觉之前难以被发现。医生通常通过血液检查来检测水质，但这些测试很难解读，并不总能显示出管道中早期的裂缝。
为了在不切开人体的情况下观察肾脏内部，医生会使用超声波。把超声波想象成蝙蝠使用的声呐；它发送声波，让声波从器官上反射回来，从而绘制出一幅图像。然而，观察这些图像是一项艰苦的工作。这就像是试图看清雾气弥漫的窗户上的微小划痕一样；这高度依赖于持相机者的技术，而且有时损伤过于细微，肉眼难以察觉。这正是某种新型“超级侦探”大显身手的地方：人工智能（AI）。具体来说，科学家们正在构建“基础模型”，它们就像是已经读过数百万本关于事物外观的书籍、在见到特定病例之前就已经掌握知识的 AI 学生。它们学习新技巧的速度比那些必须从零开始的旧型 AI 模型要快得多。大问题在于：这种超级聪明的 AI 能否在这些模糊的肾脏超声图像中，比传统方法更好地发现早期问题的迹象？
这篇论文讲述了一支研究团队尝试回答这个问题的过程。他们收集了来自 1,400 多名患者的海量肾脏超声图像。其中一些患者患有慢性肾脏病，而另一些则没有。为了确保公平竞争，他们不仅观察了一个肾脏，还观察了左肾和右肾，将这对器官视为一组完整的线索。他们还确保他们的“地面真值”（即用来检查 AI 的标准答案）是非常严格的。他们并没有仅仅根据单次的血液检查进行猜测；而是使用了一套被称为 KDIGO 2024 的规则，该规则会观察肾脏过滤血液的能力随时间的变化情况，并检查其他损伤迹象，例如尿液中的蛋白质。
研究人员让他们的新型“超级侦探”——被称为通用超声基础模型（USFM）——与五种其他的 AI 侦探进行对决。这些其他的侦探是较旧且知名的 AI 类型，其中一些规模庞大且沉重，拥有数百万个“神经元”（用于学习的部分）。新的 USFM 则完全不同；它非常小巧，只有 3 ．9 万个可训练参数，但它已经在来自世界各地的庞大超声图像库中进行了预训练。
结果非常令人惊讶。这个微小的 USFM 侦探实际上击败了那些庞大且沉重的 AI 模型。当研究人员测试单个图像时，USFM 的正确率约为 73.5%。但真正的魔力发生在观察整个“检查过程”（即左右肾共同作用）时。通过结合左肾和右肾的线索，USFM 的准确率跃升至约 74.5%，并且在正确识别未患病者方面表现出色（特异性为 63.2%）。那些较旧的、庞大的 AI 模型（如 VGG16）虽然拥有超过 1.34 亿个参数，但表现却没那么好。
论文指出，这种基础模型特别擅长捕捉人类肉眼可能会忽略的超声波中微妙且模糊的纹理。例如，在一个案例中，尽管超声图像看起来几乎正常，但 AI 正确识别出了一名患有严重肾脏病的患者。在另一个案例中，由于患者患有特定类型的肾脏损伤（尿蛋白高）但扫描图像显示肾脏正常，AI 也产生了困惑，这表明 AI 仍然存在局限性。
作者谨慎地表示，虽然这看起来非常有前景，但这仅仅是一个开始。他们仅在一家医院的患者身上进行了测试，因此目前尚不清楚这种 AI 是否能在不同地区或使用不同超声设备的情况下同样有效。他们还注意到，这项研究是通过回顾旧记录进行的，而不是通过实时观察新患者进行的。因此，虽然论文表明这些超声基础模型是发现肾脏问题的强大新工具，但它并未声称已经彻底解开了这个谜团。这更像是发现了一把非常锋利的放大镜，但在我们能够信任它能找到每一件失落的宝藏之前，还需要在更多的森林中进行测试。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。