利用高光谱成像和变压器对肾小球疾病进行准确分类

背景：

在肾脏疾病研究中，利用尿样进行*确的肾小球疾病诊断对于治*和预后至关重要。传统方法依赖于有创性活检，这存在风险并由于病理学家的差异而不一致。因此，迫切需要创新的诊断工具，以提高传统方法的效率，确保疾病检测的准确性和一致性。本研究提出了一种创新的卷积神经网络-视觉变压器（CVT）模型，通过融合光谱和空间数据，改进肾小球疾病的诊断。通过间隔采样预处理和波长优化，该研究还引入了Gramian Angular Field (GAF)方法来统一表示光谱和空间特征。

图1：研究流程图

实验设计

本研究收集了2020年11月至2022年1月在山东大学齐鲁医院诊断为各种肾小球疾病的患者的尿液样本。病例被分为四组不同的组，每组包含30例：微小改变病（MCD）、糖尿病肾病（DN）、膜性肾病（MN）和IgA肾病（IgAN）。对于每个样本，取5 mL尿液，以1500 rpm离心5分钟。随后，将0.5 mL的上清液小心地转移到一个干净的载玻片上。共计120份尿液样本。所有参与患者均获得知情同意，本研究获得了山东大学齐鲁医院伦理委员会的伦理批准，确保符合伦理标准和患者保密。采用线扫描推扫高光谱成像装置（GaiaMicro-V10E-DY）在反射模式下采集尿液上清样本的高光谱图像。该设备的详细配置如图2所示。

图2：高光谱成像系统示意图

结论：数据获取和预处理

收集了2020年11月至2022年1月期间山东大学齐鲁医院诊断的各种肾小球疾病患者的尿样本，并进行高光谱图像采集和反射率校准。

图3：不同肾小球疾病的平均反射光谱曲线

图3展示了不同疾病类型的平均光谱曲线的趋势，由于其来自相同的肾组织，曲线趋势一致，但在特定波段的反射率值存在细微差异，表明不同疾病的内部组成差异。

模型建立和评估

在本研究中，我们在ViT的基础上，创新性地提出了CVT，在每个变压器层之前集成一个卷积层，充分利用卷积层提取局部特征的能力，为变压器层提供更丰富的输入特征。这也有效地缓解了变压器的高计算复杂度，提高了模型的整体效率和泛化性能。这个创新的框架结合了传统的CNN处理局部图像特征的能力和变压器的全局上下文理解的精细能力。在模型输入时，将图像分解为一系列固定大小的图像块，并进行线性变换来提高维数，从而构建一个初始特征表示。为了增强这些特征的内部局部相关性，在每个变压器层之前放置了一个卷积层，有助于揭示相邻图像块之间的空间属性，并丰富后续变压器层的特征集。研究中使用了传统机器学习模型和CVT模型，通过各种预处理和波长优化方法提高模型的准确性和鲁棒性。

图4. CVT模型的结构

t-SNE算法将复杂的高维网络特征映射到一个二维景观中，其中不同颜色的点代表不同肾小球疾病的t-SNE特征识别。图8清楚地显示，与其他三种替代模型不同，本研究采用的模型表现出相同疾病表现对应的数据集的紧密聚类，通过清晰的边界和空间分离，突出了不同疾病状态之间的差异。一些偏离其指定集群的样本无意中与不同疾病类别的集群相一致。这一观察结果在一定程度上证明了不同模型在肾小球疾病分层的二维框架内处理图像数据的能力。此外，这些发现显著地强调了本研究中提出的模型在区分不同肾小球疾病实体方面的敏锐性。

图5.训练后的特征的t-SNE可视化。第0类代表微小改变疾病（MCD），第1类代表糖尿病肾病（DN），第2类代表膜性肾病（MN），第3类代表IgA肾病（IgAN）。

讨论与结论

在肾小球疾病分类领域，其他*新研究采用了肽面板、视网膜血管、临床变量、肾活检等材料，并结合机器学习算法对肾小球疾病进行客观分类。与其他研究相比，我们的研究创新性地将尿液上清液与HSI结合起来，并提出了联合空间光谱数据。在使用GAF增维后，使用所提出的CVT模型进行分类。与其他研究相比，我们的材料和方法在更多的类别中获得了更高的准确性。表1显示了具体的细节。

表1. 与其他*新的肾小球疾病分类研究的比较。（不可用的指标被“-”取代）